論文の概要: Extracting Electron Scattering Cross Sections from Swarm Data using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2011.14711v1
• Date: Mon, 30 Nov 2020 11:48:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 14:33:34.622179
• Title: Extracting Electron Scattering Cross Sections from Swarm Data using Deep Neural Networks
• Title（参考訳）: 深部ニューラルネットワークを用いたSwarmデータからの電子散乱断面積の抽出
• Authors: Vishrut Jetly and Bhaskar Chaudhury
• Abstract要約: 本研究では,人工知能ニューラルネットワーク(ANN),畳み込みニューラルネットワーク(CNN),密結合畳み込みニューラルネットワーク(DenseNet)を実装した。 我々は、これらの訓練された全てのネットワークによる、幅広いガス種に対する予測の有効性を検証した。
• 参考スコア（独自算出の注目度）: 2.28438857884398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electron-neutral scattering cross sections are fundamental quantities in simulations of low temperature plasmas used for many technological applications today. From these microscopic cross sections, several macro-scale quantities (called "swarm" parameters) can be calculated. However, measurements as well as theoretical calculations of cross sections are challenging. Since the 1960s researchers have attempted to solve the inverse swarm problem of obtaining cross sections from swarm data; but the solutions are not necessarily unique. To address this issues, we examine the use of deep learning models which are trained using the previous determinations of elastic momentum transfer, ionization and excitation cross sections for different gases available on the LXCat website and their corresponding swarm parameters calculated using the BOLSIG+ solver for the numerical solution of the Boltzmann equation for electrons in weakly ionized gases. We implement artificial neural network (ANN), convolutional neural network (CNN) and densely connected convolutional network (DenseNet) for this investigation. To the best of our knowledge, there is no study exploring the use of CNN and DenseNet for the inverse swarm problem. We test the validity of predictions by all these trained networks for a broad range of gas species and we deduce that DenseNet effectively extracts both long and short term features from the swarm data and hence, it predicts cross sections with significantly higher accuracy compared to ANN. Further, we apply Monte Carlo dropout as Bayesian approximation to estimate the probability distribution of the cross sections to determine all plausible solutions of this inverse problem.
• Abstract（参考訳）: 電子-中性散乱断面積は、今日の多くの技術応用に使用される低温プラズマのシミュレーションにおける基本的な量である。 これらの顕微鏡断面から、いくつかのマクロスケールの量("swarm"パラメータと呼ばれる)を計算することができる。 しかし, 断面積の測定や理論計算は困難である。 1960年代以降、研究者はSwarmデータから断面を求める逆Swarm問題の解決を試みたが、解は必ずしもユニークではない。 この問題に対処するために,LXCatのウェブサイトで利用可能な異なる気体に対する弾性運動量移動,イオン化,励起断面積の決定を用いてトレーニングした深層学習モデルと,弱イオン化ガス中の電子に対するボルツマン方程式の数値解に対するBOLSIG+ソルバを用いて計算した対応するスワムパラメータについて検討した。 本研究では,人工知能ニューラルネットワーク(ANN),畳み込みニューラルネットワーク(CNN),密結合畳み込みニューラルネットワーク(DenseNet)を実装した。 我々の知る限り、逆群問題に対するcnnとdungnetの使用についての研究は行われていない。 我々は,これら全ての訓練済みのガス種に対する予測の有効性を検証し,swarmデータから長期的および短期的特徴を効果的に抽出し,annと比較して断面積を有意に高い精度で予測する。 さらに,モンテカルロ・ドロップアウトをベイズ近似として適用し,断面の確率分布を推定し,この逆問題のすべての可能性解を求める。

関連論文リスト

• Sparsifying Bayesian neural networks with latent binary variables and normalizing flows [10.865434331546126]
  潜伏二元系ベイズニューラルネットワーク(LBBNN)の2つの拡張について検討する。 まず、隠れたユニットを直接サンプリングするためにLRT(Local Reparametrization trick)を用いることで、より計算効率の良いアルゴリズムが得られる。 さらに, LBBNNパラメータの変動後分布の正規化フローを用いて, 平均体ガウス分布よりも柔軟な変動後分布を学習する。
  論文  参考訳（メタデータ） (2023-05-05T09:40:28Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Using neural networks to solve the 2D Poisson equation for electric field computation in plasma fluid simulations [0.0]
  ポアソン方程式はホールエフェクトスラスタやストリーマー放電に使用されるプラズマ流体シミュレーションにおいて自己整合解を得るために重要である。 ディープニューラルネットワークを用いてディリクレ境界条件をゼロとした2次元ポアソン方程式の解法を検討した。 CNNは、同じポアソン方程式を、円筒座標で解くために構築される。 その結果,CNNの予測精度は著しく向上した。
  論文  参考訳（メタデータ） (2021-09-27T14:25:10Z)
• Near-Minimax Optimal Estimation With Shallow ReLU Neural Networks [19.216784367141972]
  本研究では,浅層(単層)ReLUニューラルネットワークを用いた雑音データから未知の関数を推定する問題について検討する。 我々は、データ生成関数がラドン領域における二階有界変動関数の空間に属するとき、これらのニューラルネットワーク推定器の性能を定量化する。
  論文  参考訳（メタデータ） (2021-09-18T05:56:06Z)
• Multi-fidelity Bayesian Neural Networks: Algorithms and Applications [0.0]
  本稿では,可変忠実度の雑音データを用いて訓練できるベイズ型ニューラルネットワーク(BNN)を提案する。 関数近似の学習や、偏微分方程式(PDE)に基づく逆問題の解法に応用する。
  論文  参考訳（メタデータ） (2020-12-19T02:03:53Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)
• Neural Network Solutions to Differential Equations in Non-Convex Domains: Solving the Electric Field in the Slit-Well Microfluidic Device [1.7188280334580193]
  スリットウェルマイクロ流体装置における電位と対応する電場を近似するためにニューラルネットワーク法を用いる。 ディープ・ニューラル・ネットワークは 浅いニューラル・ネットワークをはるかに上回っています
  論文  参考訳（メタデータ） (2020-04-25T21:20:03Z)

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。