論文の概要: Accelerating non-LTE synthesis and inversions with graph networks
- arxiv url: http://arxiv.org/abs/2111.10552v1
- Date: Sat, 20 Nov 2021 09:46:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-23 17:29:55.661738
- Title: Accelerating non-LTE synthesis and inversions with graph networks
- Title（参考訳）: グラフネットワークを用いた非LTE合成と逆変換の高速化
- Authors: A. Vicente Ar\'evalo, A. Asensio Ramos, and S. Esteban Pozuelo
- Abstract要約: 非LTE問題を解くことなく、原子レベルの人口を素早く予測するグラフネットワークを構築し、訓練する。
我々の近似法は,時間進化を伴う視野の大きな色圏から物理情報を抽出する可能性を開放する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Context: The computational cost of fast non-LTE synthesis is one of the
challenges that limits the development of 2D and 3D inversion codes. It also
makes the interpretation of observations of lines formed in the chromosphere
and transition region a slow and computationally costly process, which limits
the inference of the physical properties on rather small fields of view. Having
access to a fast way of computing the deviation from the LTE regime through the
departure coefficients could largely alleviate this problem. Aims: We propose
to build and train a graph network that quickly predicts the atomic level
populations without solving the non-LTE problem. Methods: We find an optimal
architecture for the graph network for predicting the departure coefficients of
the levels of an atom from the physical conditions of a model atmosphere. A
suitable dataset with a representative sample of potential model atmospheres is
used for training. This dataset has been computed using existing non-LTE
synthesis codes. Results: The graph network has been integrated into existing
synthesis and inversion codes for the particular case of \caii. We demonstrate
orders of magnitude gain in computing speed. We analyze the generalization
capabilities of the graph network and demonstrate that it produces good
predicted departure coefficients for unseen models. We implement this approach
in \hazel\ and show how the inversions nicely compare with those obtained with
standard non-LTE inversion codes. Our approximate method opens up the
possibility of extracting physical information from the chromosphere on large
fields-of-view with time evolution. This allows us to understand better this
region of the Sun, where large spatial and temporal scales are crucial.
- Abstract（参考訳）: コンテキスト: 高速非LTE合成の計算コストは、2Dおよび3Dインバージョンコードの開発を制限する課題の1つである。
また、色圏と遷移領域で形成された線の観察を遅くて計算に費用がかかるプロセスとし、これは比較的小さな視野での物理的性質の推測を制限する。
LTE体制から離脱係数による逸脱を高速に計算する手段にアクセスできると、この問題は大幅に軽減される。
Aims: 非LTE問題を解くことなく、原子レベルの人口を迅速に予測するグラフネットワークを構築し、訓練することを提案する。
方法: モデル大気の物理状態から原子のレベルからの離脱係数を予測するためのグラフネットワークのための最適なアーキテクチャを見出す。
潜在的なモデル雰囲気の代表的なサンプルを持つ適切なデータセットがトレーニングに使用される。
このデータセットは、既存の非LTE合成コードを用いて計算されている。
結果: グラフネットワークは \caii の特定の場合の既存の合成および反転符号に統合されている。
我々は計算速度の桁違いな向上を示す。
グラフネットワークの一般化能力を解析し、未知のモデルに対して優れた予測出発係数を生成することを示す。
本稿では,この手法をhazel\ で実装し,標準の非LTEインバージョンコードと比較した。
我々の近似法は,時間進化を伴う視野の大きな色圏から物理情報を抽出する可能性を開く。
これにより、大きな空間的・時間的スケールが重要である太陽のこの領域をよりよく理解することができます。
関連論文リスト
- TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳（メタデータ） (2024-04-15T06:01:48Z) - LightDiC: A Simple yet Effective Approach for Large-scale Digraph
Representation Learning [42.72417353512392]
磁気ラプラシアンに基づくダイグラフ畳み込みのスケーラブルな変種であるLightDiCを提案する。
LightDiCは、最も代表的な大規模データベースで満足な結果を提供する最初のDiGNNである。
論文 参考訳（メタデータ） (2024-01-22T09:09:10Z) - Graph Neural Processes for Spatio-Temporal Extrapolation [36.01312116818714]
グラフ内の周囲のコンテキストから対象地点のデータを生成する補間時間プロセスのタスクについて検討する。
既存の手法では、ニューラルネットワークのような学習に精通したモデルや、ガウスのような統計的アプローチが使用されている。
本稿では,これらの機能を同時に制御するニューラル潜在変数モデルであるスポースグラフニューラル・プロセス(STGNP)を提案する。
論文 参考訳（メタデータ） (2023-05-30T03:55:37Z) - Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural
Network Emulators of Geophysical Turbulence [0.0]
しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。
1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。
いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
論文 参考訳（メタデータ） (2023-04-28T21:34:53Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z) - Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。
このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。
本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
論文 参考訳（メタデータ） (2021-05-21T00:08:06Z) - Spatio-Temporal Graph Scattering Transform [54.52797775999124]
グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。
我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
論文 参考訳（メタデータ） (2020-12-06T19:49:55Z) - One-step regression and classification with crosspoint resistive memory
arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。
ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。
結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文 参考訳（メタデータ） (2020-05-05T08:00:07Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
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。