Fugu-MT 論文翻訳(概要): A Deep Learning-Based Particle-in-Cell Method for Plasma Simulations

論文の概要: A Deep Learning-Based Particle-in-Cell Method for Plasma Simulations

arxiv url: http://arxiv.org/abs/2107.02232v1
Date: Mon, 5 Jul 2021 19:10:04 GMT
ステータス: 処理完了
システム内更新日: 2021-07-07 13:32:43.545611
Title: A Deep Learning-Based Particle-in-Cell Method for Plasma Simulations
Title（参考訳）: 深層学習に基づくプラズマシミュレーションのための粒子インセル法
Authors: Xavier Aguilar and Stefano Markidis
Abstract要約: 我々は,Deep-Learning (DL) を用いたプラズマシミュレーションのための新しいParticle-in-Cell (PIC) 法を開発した。マルチ層パーセプトロン (MLP) と畳み込みニューラルネットワーク (CNN) を訓練し, 2ストリーム不安定性テストの解法を提案する。 DL-based PIC法が2ストリーム不安定性を用いて正しい結果を生成することを検証した。
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: We design and develop a new Particle-in-Cell (PIC) method for plasma simulations using Deep-Learning (DL) to calculate the electric field from the electron phase space. We train a Multilayer Perceptron (MLP) and a Convolutional Neural Network (CNN) to solve the two-stream instability test. We verify that the DL-based MLP PIC method produces the correct results using the two-stream instability: the DL-based PIC provides the expected growth rate of the two-stream instability. The DL-based PIC does not conserve the total energy and momentum. However, the DL-based PIC method is stable against the cold-beam instability, affecting traditional PIC methods. This work shows that integrating DL technologies into traditional computational methods is a viable approach for developing next-generation PIC algorithms.
Abstract（参考訳）: 我々は、電子相空間から電場を計算するために、Deep-Learning (DL) を用いたプラズマシミュレーションのための新しいParticle-in-Cell (PIC) 法を設計、開発する。マルチ層パーセプトロン (MLP) と畳み込みニューラルネットワーク (CNN) を訓練し, 2ストリームの不安定性テストを解決する。 DL-based MLP PIC法は2ストリーム不安定性を用いて正しい結果が得られることを検証し, DL-based PICは2ストリーム不安定性の予測成長率を提供する。 DLベースのPICは総エネルギーと運動量を保持しない。しかし,DLに基づくPIC法はコールドビーム不安定性に対して安定であり,従来のPIC法に影響を及ぼす。この研究は、DL技術を従来の計算手法に統合することは、次世代のPICアルゴリズムを開発する上で有効なアプローチであることを示している。

関連論文リスト

GAN-driven Electromagnetic Imaging of 2-D Dielectric Scatterers [4.510838705378781]
逆散乱問題は、それらが不適切で非線形であるという事実を考えると、本質的に困難である。本稿では、生成的対向ネットワークに依存する強力なディープラーニングに基づくアプローチを提案する。適切に設計された高密度層からなる凝集性逆ニューラルネットワーク(INN)フレームワークが設定される。トレーニングされたINNは、平均2進クロスエントロピー(BCE)損失が0.13ドル、構造類似度指数(SSI)が0.90ドルであることを示す。
論文参考訳（メタデータ） (2024-02-16T17:03:08Z)
Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文参考訳（メタデータ） (2023-05-01T23:20:27Z)
CoopInit: Initializing Generative Adversarial Networks via Cooperative Learning [50.90384817689249]
CoopInitは、協力的な学習ベースの戦略で、GANにとって良い出発点を素早く学べる。本稿では,画像生成における提案手法の有効性を示す。
論文参考訳（メタデータ） (2023-03-21T07:49:32Z)
A DeepParticle method for learning and generating aggregation patterns in multi-dimensional Keller-Segel chemotaxis systems [3.6184545598911724]
ケラー・セガル (KS) ケモタキシー系の2次元および3次元における凝集パターンと近傍特異解の正則化相互作用粒子法について検討した。さらに,物理パラメータの異なる解を学習し,生成するためのDeepParticle (DP) 法を開発した。
論文参考訳（メタデータ） (2022-08-31T20:52:01Z)
Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文参考訳（メタデータ） (2022-03-10T14:22:54Z)
Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文参考訳（メタデータ） (2021-11-29T12:24:02Z)
A robust single-pixel particle image velocimetry based on fully convolutional networks with cross-correlation embedded [3.3579727024861064]
深層学習法と従来の相互相関法を相乗的に組み合わせた新しい速度場推定パラダイムを提案する。深層学習法は、粗い速度推定を最適化し、補正し、超解法計算を実現する。参考として、粗い速度推定は提案アルゴリズムの堅牢性を向上させるのに役立つ。
論文参考訳（メタデータ） (2021-10-31T03:26:08Z)
A Modified Batch Intrinsic Plasticity Method for Pre-training the Random Coefficients of Extreme Learning Machines [0.0]
極端な学習機械(elm)では、隠れ層係数はランダムに設定され固定され、ニューラルネットワークの出力層係数は最小二乗法で計算される。 ELMニューラルネットワークのランダム係数を事前学習するための改良型バッチ固有可塑性法(modBIP)を提案する。
論文参考訳（メタデータ） (2021-03-14T21:23:46Z)
BiSNN: Training Spiking Neural Networks with Binary Weights via Bayesian Learning [37.376989855065545]
Spiking Neural Networks(SNN)は、エネルギー効率を高める生物学的にインスパイアされたダイナミックなイベント駆動モデルです。時間的にスパースなバイナリアクティベーションとバイナリ重みの利点を組み合わせたSNNモデルが導入された。実験は、フル精度実装に関するパフォーマンス損失を検証します。
論文参考訳（メタデータ） (2020-12-15T14:06:36Z)
Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。線形光ネットワークの転送行列を再構成する新しい手法を提案する。
論文参考訳（メタデータ） (2020-10-01T16:04:22Z)
Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できるこのモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。