論文の概要: Exploring Sensitivity of ICF Outputs to Design Parameters in Experiments
Using Machine Learning
- arxiv url: http://arxiv.org/abs/2010.04254v2
- Date: Thu, 2 Sep 2021 02:36:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 13:10:11.288327
- Title: Exploring Sensitivity of ICF Outputs to Design Parameters in Experiments
Using Machine Learning
- Title（参考訳）: 機械学習を用いた実験における設計パラメータに対するICF出力の感度探索
- Authors: Julia B. Nakhleh, M. Giselle Fern\'andez-Godino, Michael J. Grosskopf,
Brandon M. Wilson, John Kline and Gowri Srinivasan
- Abstract要約: 慣性閉じ込め核融合(ICF)における持続可能な燃焼プラットフォームの構築には、重要な設計変更が衝撃性能にもたらす物理的プロセスと影響を理解する必要がある。
本稿では、機械学習(ML)の発達と、MLの特徴重要度/感度分析の手法を活用し、専門家の判断だけでは処理が難しい方法で複雑な関係を識別する。
RFモデルは、ICF実験データを高精度に学習し、予測できることを示すとともに、様々なICF設計構成のための様々な制御可能な設計インプットの物理的意義についての洞察を提供する特徴的重要度指標を抽出する。
- 参考スコア（独自算出の注目度）: 0.021987601456703473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building a sustainable burn platform in inertial confinement fusion (ICF)
requires an understanding of the complex coupling of physical processes and the
effects that key experimental design changes have on implosion performance.
While simulation codes are used to model ICF implosions, incomplete physics and
the need for approximations deteriorate their predictive capability.
Identification of relationships between controllable design inputs and
measurable outcomes can help guide the future design of experiments and
development of simulation codes, which can potentially improve the accuracy of
the computational models used to simulate ICF implosions. In this paper, we
leverage developments in machine learning (ML) and methods for ML feature
importance/sensitivity analysis to identify complex relationships in ways that
are difficult to process using expert judgment alone. We present work using
random forest (RF) regression for prediction of yield, velocity, and other
experimental outcomes given a suite of design parameters, along with an
assessment of important relationships and uncertainties in the prediction
model. We show that RF models are capable of learning and predicting on ICF
experimental data with high accuracy, and we extract feature importance metrics
that provide insight into the physical significance of different controllable
design inputs for various ICF design configurations. These results can be used
to augment expert intuition and simulation results for optimal design of future
ICF experiments.
- Abstract（参考訳）: 慣性閉じ込め核融合(ICF)における持続可能な燃焼プラットフォームの構築には、物理プロセスの複雑な結合と、重要な設計変更がインロジョン性能に与える影響を理解する必要がある。
icfインロージョンのモデル化にはシミュレーションコードを用いるが、不完全物理学や近似の必要性は予測能力を低下させる。
制御可能な設計入力と測定可能な結果の関係の同定は、将来の実験の設計とシミュレーションコードの開発を導くのに役立つ。
本稿では,機械学習(ml)とmlの特徴重要度/感度分析手法の開発を活用し,専門家の判断だけでは処理が難しい複雑な関係を識別する。
本研究では, ランダムフォレスト(rf)回帰を用いて, 設計パラメータの組による収率, 速度, および実験結果の予測を行い, 予測モデルにおける重要関係と不確実性の評価を行った。
rfモデルはicf実験データを高精度に学習・予測することができることを示し,様々なicf設計構成における制御可能な設計入力の物理的意義に関する洞察を提供する特徴重要度メトリクスを抽出する。
これらの結果は、将来のicf実験の最適設計のための専門家の直感とシミュレーション結果の強化に利用できる。
関連論文リスト
- Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳（メタデータ） (2023-03-03T21:41:01Z) - Trustworthiness of Laser-Induced Breakdown Spectroscopy Predictions via
Simulation-based Synthetic Data Augmentation and Multitask Learning [4.633997895806144]
レーザ誘起分解分光法を用いてスペクトルデータの定量的解析を行う。
我々は、利用可能なトレーニングデータの小さなサイズと、未知のデータに対する推論中の予測の検証に対処する。
論文 参考訳（メタデータ） (2022-10-07T18:00:09Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Transfer learning driven design optimization for inertial confinement
fusion [0.0]
伝達学習は、シミュレーションと実験データを共通のフレームワークに組み込む予測モデルを作成するための有望なアプローチである。
従来のモデルキャリブレーション手法よりも設計を最適化する方が効率的であることを示す。
論文 参考訳（メタデータ） (2022-05-26T17:38:57Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Cognitive simulation models for inertial confinement fusion: Combining
simulation and experimental data [0.0]
研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。
より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。
本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
論文 参考訳（メタデータ） (2021-03-19T02:00:14Z) - Identifying Entangled Physics Relationships through Sparse Matrix
Decomposition to Inform Plasma Fusion Design [0.021079694661943604]
慣性核融合(ICF)による持続可能な燃焼プラットフォームは、50年以上にわたって進行中の課題である。
我々はスパース行列分解法を用いて、いくつかの関連する設計変数のクラスタを同定する。
可変重要性解析により、ピケットパワーやレーザーエネルギーといった中性子収率と高い相関を持つ変数に加えて、パルスステップの数などのICF設計の劇的な変化を表す変数も非常に重要であることが判明した。
論文 参考訳（メタデータ） (2020-10-28T20:20:32Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳（メタデータ） (2020-06-13T17:28:52Z)
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。