論文の概要: Automatic Particle Trajectory Classification in Plasma Simulations

• arxiv url: http://arxiv.org/abs/2010.05348v1
• Date: Sun, 11 Oct 2020 21:15:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 13:59:10.923597
• Title: Automatic Particle Trajectory Classification in Plasma Simulations
• Title（参考訳）: プラズマシミュレーションにおける自動粒子軌道分類
• Authors: Stefano Markidis and Ivy Peng and Artur Podobas and Itthinat Jongsuebchoke and Gabriel Bengtsson and Pawel Herman
• Abstract要約: 粒子軌道空間を探索し、プラズマシミュレーションから粒子軌道を自動的に分類するための一般的なワークフローを提供する。 磁気リコネクション問題における電子軌道の分類によるワークフローの実証を行う。 本手法は,従来の文献からの既存結果の復元に成功し,基礎となるシステムに関する事前知識は得られなかった。
• 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: Numerical simulations of plasma flows are crucial for advancing our understanding of microscopic processes that drive the global plasma dynamics in fusion devices, space, and astrophysical systems. Identifying and classifying particle trajectories allows us to determine specific on-going acceleration mechanisms, shedding light on essential plasma processes. Our overall goal is to provide a general workflow for exploring particle trajectory space and automatically classifying particle trajectories from plasma simulations in an unsupervised manner. We combine pre-processing techniques, such as Fast Fourier Transform (FFT), with Machine Learning methods, such as Principal Component Analysis (PCA), k-means clustering algorithms, and silhouette analysis. We demonstrate our workflow by classifying electron trajectories during magnetic reconnection problem. Our method successfully recovers existing results from previous literature without a priori knowledge of the underlying system. Our workflow can be applied to analyzing particle trajectories in different phenomena, from magnetic reconnection, shocks to magnetospheric flows. The workflow has no dependence on any physics model and can identify particle trajectories and acceleration mechanisms that were not detected before.
• Abstract（参考訳）: プラズマ流の数値シミュレーションは、核融合装置、宇宙、天体物理学系における大域的なプラズマダイナミクスを駆動する微視的過程の理解に不可欠である。 粒子軌道の同定と分類により, 本態性プラズマプロセスに光を流し, 進行中の加速機構を特定できる。 我々の全体的な目標は、粒子軌道空間を探索し、プラズマシミュレーションから自動的に粒子軌道を分類するための一般的なワークフローを提供することである。 我々は、Fast Fourier Transform(FFT)のような前処理技術と、主成分分析(PCA)やk平均クラスタリングアルゴリズム、シルエット解析といった機械学習手法を組み合わせる。 磁気リコネクション問題における電子軌道の分類によるワークフローの実証を行う。 本手法は,従来の文献からの既存結果の復元に成功している。 我々のワークフローは、磁気リコネクション、衝撃、磁気圏の流れなど、様々な現象の粒子軌道解析に応用できる。 ワークフローはいかなる物理モデルにも依存せず、これまで検出されなかった粒子軌道や加速機構を識別できる。

関連論文リスト

• Electrostatics-based particle sampling and approximate inference [0.0]
  静電気学とニュートン力学の原理に基づく新しい粒子に基づくサンプリングおよび近似推論法が導入された。 より一般的な推論問題において、離散時間離散空間のアルゴリズム設計が使用される。
  論文  参考訳（メタデータ） (2024-06-28T16:53:06Z)
• Learning to Approximate Particle Smoothing Trajectories via Diffusion Generative Models [16.196738720721417]
  希少な観測からシステムを学ぶことは、生物学、金融学、物理学など多くの分野において重要である。 本研究では,条件付き粒子フィルタリングと祖先サンプリングと拡散モデルを統合する手法を提案する。 車両追跡や単一セルRNAシークエンシングデータなど,時系列生成とタスクにおけるアプローチを実証する。
  論文  参考訳（メタデータ） (2024-06-01T21:54:01Z)
• Data-driven local operator finding for reduced-order modelling of plasma systems: I. Concept and verifications [2.9320342785886973]
  低次プラズマモデルでは、様々な設定や構成で効率的にプラズマの挙動を予測することができる。 この2つの記事では、"Phi Method"を紹介します。 第1部では,候補項ライブラリに制約付き回帰を用いた新しいアルゴリズムを提案する。 パートIIは、パラメトリックダイナミクス発見のためのメソッドの応用を掘り下げる。
  論文  参考訳（メタデータ） (2024-03-03T14:50:15Z)
• Classification of complex local environments in systems of particle shapes through shape-symmetry encoded data augmentation [0.0]
  本稿では,多層パーセプトロン(MLP)を粒子形状系の局所環境として訓練する,シンプルで物理に依存しない,強力なアプローチを提案する。 そこで本研究では, 粒子形状のシステム上での自己組織化過程を解明するための貴重なツールを提案する。
  論文  参考訳（メタデータ） (2023-12-19T03:27:38Z)
• Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy [58.51812955462815]
  単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。 データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。 これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
  論文  参考訳（メタデータ） (2023-11-21T21:51:00Z)
• Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
  本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。 我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
  論文  参考訳（メタデータ） (2023-05-21T03:51:03Z)
• Unsupervised Discovery of Inertial-Fusion Plasma Physics using Differentiable Kinetic Simulations and a Maximum Entropy Loss Function [77.34726150561087]
  プラズマ運動学3次元偏微分方程式の微分可能解法を作成し, 領域固有の目的関数を導入する。 我々はこの枠組みを慣性融合に関する構成に適用し、最適化プロセスが新しい物理効果を利用することを示す。
  論文  参考訳（メタデータ） (2022-06-03T15:27:33Z)
• NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
  深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。 本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。 我々はNeuroFluidという2段階の異なるネットワークを提案する。 初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
  論文  参考訳（メタデータ） (2022-03-03T15:13:29Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)
• A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
  学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。 フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。 既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
  論文  参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。