論文の概要: Deep Learning for the Analysis of Disruption Precursors based on Plasma Tomography

• arxiv url: http://arxiv.org/abs/2009.02708v2
• Date: Tue, 8 Sep 2020 08:27:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 08:39:09.636526
• Title: Deep Learning for the Analysis of Disruption Precursors based on Plasma Tomography
• Title（参考訳）: プラズマトモグラフィによる破壊前駆体解析のための深層学習
• Authors: Diogo R. Ferreira, Pedro J. Carvalho, Carlo Sozzi, Peter J. Lomas, JET Contributors
• Abstract要約: JETのベースラインシナリオは、高い核融合性能と持続的な核融合力を達成するために開発されている。 プラズマ電流の上昇と入力電力の上昇により、パルス破壊率の増加が観測されている。 本研究では,プラズマ放射プロファイルの再構成を目的としたボロメータトモグラフィーに着目する。 主な破壊に先行する放射線パターンの同定に異常検出を適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The JET baseline scenario is being developed to achieve high fusion performance and sustained fusion power. However, with higher plasma current and higher input power, an increase in pulse disruptivity is being observed. Although there is a wide range of possible disruption causes, the present disruptions seem to be closely related to radiative phenomena such as impurity accumulation, core radiation, and radiative collapse. In this work, we focus on bolometer tomography to reconstruct the plasma radiation profile and, on top of it, we apply anomaly detection to identify the radiation patterns that precede major disruptions. The approach makes extensive use of machine learning. First, we train a surrogate model for plasma tomography based on matrix multiplication, which provides a fast method to compute the plasma radiation profiles across the full extent of any given pulse. Then, we train a variational autoencoder to reproduce the radiation profiles by encoding them into a latent distribution and subsequently decoding them. As an anomaly detector, the variational autoencoder struggles to reproduce unusual behaviors, which includes not only the actual disruptions but their precursors as well. These precursors are identified based on an analysis of the anomaly score across all baseline pulses in two recent campaigns at JET.
• Abstract（参考訳）: JETのベースラインシナリオは、高い核融合性能と持続的な核融合力を達成するために開発されている。 しかし、プラズマ電流が高く、入力電力が高くなると、パルス破壊性の増加が観測されている。 破壊の原因は広い範囲にあるが、現在の破壊は不純物蓄積、核放射、放射崩壊などの放射現象と密接に関連しているようである。 本研究では,プラズマ放射プロファイルの再構成を目的としたボロメータトモグラフィーに着目し,その上に異常検出を適用し,破壊に先行する放射線パターンを同定する。 このアプローチは機械学習を広範囲に活用する。 まず,マトリクス乗算に基づくプラズマトモグラフィのサロゲートモデルを訓練し,任意のパルスの全範囲にわたってプラズマ放射プロファイルを高速に計算する手法を提案する。 次に,可変オートエンコーダを訓練し,その放射線プロファイルを潜在分布に符号化し,その後に復号する。 異常検出装置として、変分オートエンコーダは、実際の破壊だけでなく前駆体も含む異常な振る舞いを再現するのに苦労する。 これらの前駆体は、jetにおける最近の2つのキャンペーンにおける全てのベースラインパルスの異常スコアの分析に基づいて同定される。

関連論文リスト

• FDDM: Frequency-Decomposed Diffusion Model for Rectum Cancer Dose Prediction in Radiotherapy [12.025221208748308]
  拡散モデルはコンピュータビジョンにおいて大きな成功をおさめ、より周波数の細かい画像を生成する。 線量マップの高周波サブバンドを改良する周波数分解拡散モデルを提案する。 高周波数サブバンドにおける粗い予測結果と基底真実との間には顕著な違いがある。
  論文  参考訳（メタデータ） (2024-10-10T12:48:42Z)
• Optimizing Resource Consumption in Diffusion Models through Hallucination Early Detection [87.22082662250999]
  拡散過程の開始時に不正確な世代を迅速に検出する新しいパラダイムであるHEaD(Hallucination Early Detection)を導入する。 HEaDは計算資源を節約し,生成過程を高速化して完全な画像を得ることを示す。 その結果,HEaDは2つのオブジェクトのシナリオで生成時間の最大12%を節約できることがわかった。
  論文  参考訳（メタデータ） (2024-09-16T18:00:00Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• DIRE for Diffusion-Generated Image Detection [128.95822613047298]
  拡散再構成誤り(DIRE)という新しい表現を提案する。 DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。 DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
  論文  参考訳（メタデータ） (2023-03-16T13:15:03Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Cross Section Doppler Broadening prediction using Physically Informed Deep Neural Networks [0.0]
  中性子-核相互作用の温度依存性は、断面のドップラー拡大として知られている。 本稿では,ディープラーニング技術に基づく非線形アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-11T19:56:57Z)
• Fast Unsupervised Brain Anomaly Detection and Segmentation with Diffusion Models [1.6352599467675781]
  脳画像における異常検出とセグメント分割のための拡散モデルに基づく手法を提案する。 拡散モデルは,2次元CTおよびMRIデータを用いた一連の実験において,自己回帰的アプローチと比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2022-06-07T17:30:43Z)
• Using Machine Learning for Anomaly Detection on a System-on-Chip under Gamma Radiation [1.920987512094627]
  TID(Total Ionizing Dose)効果のような放射線は、ナノスケールの電子機器に永続的な損傷を与えることが多い。 本稿では、消費者電子レベルのField Programmable Gate Arrays(FPGA)における機械学習アルゴリズムを用いて、TID効果に対処し、動作停止前にそれを監視することに焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-05T13:02:55Z)
• Anomaly Detection on X-Rays Using Self-Supervised Aggregation Learning [16.854288765350283]
  SALADはX線画像の異常検出のためのエンドツーエンドの自己監視手法である。 提案手法は、深層ニューラルネットワークが原型的局所パターンを表現することを奨励する最適化戦略に基づいている。 我々の異常スコアは、メモリバンク内の正常な原型パターンの重み付け組み合わせと類似性を測定することによって導出される。
  論文  参考訳（メタデータ） (2020-10-19T20:49:34Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。