論文の概要: Fast and Accurate Emulation of the SDO/HMI Stokes Inversion with Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2103.17273v1
• Date: Wed, 31 Mar 2021 17:59:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-01 14:17:43.125288
• Title: Fast and Accurate Emulation of the SDO/HMI Stokes Inversion with Uncertainty Quantification
• Title（参考訳）: 不確実性定量化によるsdo/hmiストークスインバージョンの高速高精度エミュレーション
• Authors: Richard E.L. Higgins, David F. Fouhey, Dichang Zhang, Spiro K. Antiochos, Graham Barnes, Todd Hoeksema, KD Leka, Yang Liu Peter W. Schuck, Tamas I. Gombosi
• Abstract要約: 既存のHMIパイプラインの結果が現在のパイプラインアルゴリズムよりも2桁早くエミュレートできるディープラーニングベースのアプローチを紹介します。 我々は,磁場と運動力学的および熱力学的パラメータの高忠実度推定を行うことができることを示した。
• 参考スコア（独自算出の注目度）: 10.638219239394209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Helioseismic and Magnetic Imager (HMI) onboard NASA's Solar Dynamics Observatory (SDO) produces estimates of the photospheric magnetic field which are a critical input to many space weather modelling and forecasting systems. The magnetogram products produced by HMI and its analysis pipeline are the result of a per-pixel optimization that estimates solar atmospheric parameters and minimizes disagreement between a synthesized and observed Stokes vector. In this paper, we introduce a deep learning-based approach that can emulate the existing HMI pipeline results two orders of magnitude faster than the current pipeline algorithms. Our system is a U-Net trained on input Stokes vectors and their accompanying optimization-based VFISV inversions. We demonstrate that our system, once trained, can produce high-fidelity estimates of the magnetic field and kinematic and thermodynamic parameters while also producing meaningful confidence intervals. We additionally show that despite penalizing only per-pixel loss terms, our system is able to faithfully reproduce known systematic oscillations in full-disk statistics produced by the pipeline. This emulation system could serve as an initialization for the full Stokes inversion or as an ultra-fast proxy inversion. This work is part of the NASA Heliophysics DRIVE Science Center (SOLSTICE) at the University of Michigan, under grant NASA 80NSSC20K0600E, and has been open sourced.
• Abstract（参考訳）: NASAのソーラー・ダイナミクス・オブザーバ(SDO)に搭載されたHelioseismic and Magnetic Imager (HMI)は、多くの宇宙気象モデルや予測システムに重要な入力となる光球磁場の見積もりを生成する。 HMIと分析パイプラインが生成する磁気グラム生成物は、太陽の大気パラメータを推定し、合成されたストークスベクトルと観測されたストークスベクトルの間の不一致を最小限にするピクセルごとの最適化の結果である。 本稿では,既存のhmiパイプラインの結果を,現在のパイプラインアルゴリズムよりも2桁早くエミュレートする深層学習に基づく手法を提案する。 本システムは入力ストークスベクトルとその最適化に基づくvfisvインバージョンを訓練したu-netである。 我々は,磁場と運動力学的・熱力学的パラメータの高忠実度推定と,有意義な信頼区間を生成できることを示した。 さらに,画素単位の損失項のみをペナルティ化しても,パイプラインが生成するフルディスク統計において,既知の系統的振動を忠実に再現できることを示した。 このエミュレーションシステムはフルストークスインバージョンの初期化や超高速プロキシインバージョンとして機能する。 この研究は、ミシガン大学のNASA Heliophysics DRIVE Science Center(SOLSTICE)の一部であり、NASA 80NSSC20K0600Eが認可され、オープンソース化されている。

関連論文リスト

• Rapid Parameter Estimation for Extreme Mass Ratio Inspirals Using Machine Learning [15.908645530312487]
  EMRI(Extreme-mass-ratio Inspiral)信号は重力波(GW)天文学において重要な課題である。 機械学習は、EMRI信号に関連する最大17のパラメータを含む広大な空間を効率的に処理できる可能性があることを示す。
  論文  参考訳（メタデータ） (2024-09-12T11:36:23Z)
• Surface Flux Transport Modeling using Physics Informed Neural Networks [0.0]
  表面フラックス輸送(SFT)モデリングは、太陽表面の磁束の輸送と進化をシミュレートし、解析するのに役立つ。 本研究では,磁束輸送の解法における機械学習の応用を実証し,その精度を検証した。 SFTを用いたバイポーラ磁気領域(BMR)の進化を研究するための新しい物理情報ニューラルネットワーク(PINN)モデルを開発した。
  論文  参考訳（メタデータ） (2024-09-03T09:41:07Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Global-local Fourier Neural Operator for Accelerating Coronal Magnetic Field Model [17.256941005824576]
  FNOの2つの分岐を含むグローバルローカルフーリエニューラル演算子(GL-FNO)を提案する。 GLFNOの性能は、FNO、U-NO、U-FNO、Vision Transformer、CNN-RNN、CNN-LSTMといった最先端のディープラーニング手法と比較される。 その結果、GL-FNOはMHDシミュレーションを加速するだけでなく、信頼性の高い予測能力も提供し、宇宙気象力学の理解に大きく貢献することが示された。
  論文  参考訳（メタデータ） (2024-05-21T13:04:53Z)
• Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable Machine Learning [38.321248253111776]
  我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。 データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
  論文  参考訳（メタデータ） (2024-03-04T23:12:17Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes problem [78.20667552233989]
  我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。 本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
  論文  参考訳（メタデータ） (2022-07-04T14:51:59Z)
• SynthIA: A Synthetic Inversion Approximation for the Stokes Vector Fusing SDO and Hinode into a Virtual Observatory [13.457940610832294]
  NASAのSolar Dynamics Observatory(SDO)とJAXA/NASAのHinodeミッションには、光球磁場を測定するために設計された分光偏光計がある。 本研究では,SynthIA (Synthetic Inversion Approximation) というディープラーニングシステムを導入する。
  論文  参考訳（メタデータ） (2021-08-27T17:58:38Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)

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。