論文の概要: Machine Learning Applications to Kronian Magnetospheric Reconnection Classification

• arxiv url: http://arxiv.org/abs/2104.00496v1
• Date: Thu, 1 Apr 2021 14:46:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 21:10:17.133290
• Title: Machine Learning Applications to Kronian Magnetospheric Reconnection Classification
• Title（参考訳）: 機械学習によるクロニアン磁気圏再接続分類
• Authors: Tadhg M. Garton, Caitriona M. Jackman, Andy W. Smith, Kiley L. Yeakel, Shane A. Maloney and Jon Vandegriff
• Abstract要約: 我々は,クロニアン磁気圏における再接続の証拠を特定するために,完全に自動化された教師付き学習,フィードフォワードニューラルネットワークモデルを提案する。 このモデルは3年間の観測と2093年の分類イベントを網羅した再接続イベントのカタログから構築されている。 このモデルから、カッシーニの土星近傍の磁気圏における磁気再結合現象の完全なカタログ化と検証が可能となった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The products of magnetic reconnection in Saturn's magnetotail are identified in magnetometer observations primarily through characteristic deviations in the north-south component of the magnetic field. These magnetic deflections are caused by travelling plasma structures created during reconnection rapidly passing over the observing spacecraft. Identification of these signatures have long been performed by eye, and more recently through semi-automated methods, however these methods are often limited through a required human verification step. Here, we present a fully automated, supervised learning, feed forward neural network model to identify evidence of reconnection in the Kronian magnetosphere with the three magnetic field components observed by the Cassini spacecraft in Kronocentric radial-theta-phi (KRTP) coordinates as input. This model is constructed from a catalogue of reconnection events which covers three years of observations with a total of 2093 classified events, categorized into plasmoids, travelling compression regions and dipolarizations. This neural network model is capable of rapidly identifying reconnection events in large time-span Cassini datasets, tested against the full year 2010 with a high level of accuracy (87%), true skill score (0.76), and Heidke skill score (0.73). From this model, a full cataloguing and examination of magnetic reconnection events in the Kronian magnetosphere across Cassini's near Saturn lifetime is now possible.
• Abstract（参考訳）: 土星の磁気圏における磁気リコネクションの産物は、主に磁場の南北成分の特徴的な偏差を通して磁気センサ観測で同定される。 これらの磁気偏向は、観測衛星を急速に通過する再接続時に生じるプラズマ構造によって引き起こされる。 これらのシグネチャの同定は長い間目によって行われており、最近では半自動的な方法によって行われているが、これらの方法は必要な人間の検証ステップによって制限されることが多い。 本稿では,KRTP(Kronocentric radial-theta-phi)座標のカッシーニ探査機が観測した3つの磁場成分とクロニアン磁気圏における再結合の証拠を入力として,完全に自動化された教師付きニューラルネットワークモデルを提案する。 このモデルは、プラズモイド、進行する圧縮領域、双極子化に分類された合計2093の分類イベントを含む3年間の観測をカバーする再結合事象のカタログから構成されている。 このニューラルネットワークモデルは、2010年1月に高い精度(87%)、真のスキルスコア(0.76)、ハイドケスキルスコア(0.73)でテストされた大規模なカッシーニデータセットにおける再接続イベントを迅速に識別することができる。 このモデルから、カッシーニの土星近傍の磁気圏における磁気再結合現象の完全なカタログ化と検証が可能となった。

関連論文リスト

• Universal Reconstruction of Complex Magnetic Profiles with Minimum Prior Assumptions [13.949608179381002]
  計測された磁場から磁場量を再構成するための,新しい,効率的なGPUベースの手法を提案する。 現実的な実験条件下での多種多様な磁性構造をシミュレーションし,本手法の有効性を検証した。 本研究では,月の岩盤からの磁場マップの探索に本手法を適用した。
  論文  参考訳（メタデータ） (2024-11-28T03:15:54Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Physics-driven machine learning for the prediction of coronal mass ejections' travel times [46.58747894238344]
  コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。 CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。 本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
  論文  参考訳（メタデータ） (2023-05-17T08:53:29Z)
• General time-reversal equivariant neural network potential for magnetic materials [5.334610924852583]
  本研究では、時間反転E(3)同変ニューラルネットワークと、磁気システムに対する包括的な原子間ポテンシャルを構築するためのSpinGNN++フレームワークを提案する。 SpinGNN++はスピン同変ニューラルネットワークを、ハイゼンベルク、ジアロシンスキー・モリヤ、キタエフ、単一イオン異方性、バイカドラル相互作用を含む明示的なスピン格子項と統合する。 SpinGNN++は単層CrTe2の基底磁気状態として新しい強磁性状態を認識する。
  論文  参考訳（メタデータ） (2022-11-21T12:25:58Z)
• A machine-learning-based tool for last closed magnetic flux surface reconstruction on tokamak [58.42256764043771]
  トカマク装置による核融合発電は、クリーンエネルギーの持続可能な供給源として最も有望な方法の1つである。 トカマクの主な課題は、アクチュエータコイルと内部トカマクプラズマの相互作用によって決定される最後の閉じた磁束面(LCFS)を予測することである。 本研究では,実験データから自動的に学習する実験用超電導トカマク(EAST)からLCFSを再構築する機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:15:29Z)
• Modelling stellar activity with Gaussian process regression networks [0.0]
  HARPS-N太陽分光観測を用いて、この枠組みがRVデータと従来の恒星活動指標を共同でモデル化できることを実証した。 我々は、RVと恒星活動時系列の相関関係を数日の間隔で最大にし、時系列における非定常行動の証拠を見いだす。
  論文  参考訳（メタデータ） (2022-05-13T13:20:25Z)
• Controlled coherent dynamics of [VO(TPP)], a prototype molecular nuclear qudit with an electronic ancilla [50.002949299918136]
  本稿では,[VO(TPP)](バナジルテトラフェニルポルフィリン酸塩)が量子計算アルゴリズムの実装に適していることを示す。 超微細相互作用によって結合された電子スピン1/2を核スピン7/2に埋め込み、どちらも顕著なコヒーレンスによって特徴づけられる。
  論文  参考訳（メタデータ） (2021-03-15T21:38:41Z)
• Spin Entanglement and Magnetic Competition via Long-range Interactions in Spinor Quantum Optical Lattices [62.997667081978825]
  超低温物質中における空洞を介する長距離磁気相互作用と光学格子の効果について検討した。 競合シナリオを導入しながら,グローバルな相互作用がシステムの根底にある磁気特性を変化させていることが判明した。 これにより、量子情報目的のためのロバストなメカニズムの設計に向けた新しい選択肢が可能になる。
  論文  参考訳（メタデータ） (2020-11-16T08:03:44Z)
• Identifying Flux Rope Signatures Using a Deep Neural Network [0.0]
  本稿では,ICMEの内部構造を同定し,さらに理解するために,機械学習と現在の物理フラックスロープ解析モデルを適用した。 解析的フラックスロープデータを用いた画像認識人工ニューラルネットワークの訓練を行った。 トレーニングされたネットワークは、1995-2015年にWINDから観測されたICMEに対して評価された。
  論文  参考訳（メタデータ） (2020-08-30T23:23:57Z)
• Time-dependent atomic magnetometry with a recurrent neural network [0.0]
  エンコーダ・デコーダアーキテクチャのニューラルネットワークは,計測データを処理し,記録信号と時間依存磁界の間の正確なマップを学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-27T13:41:13Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。