論文の概要: Machine-Learning enabled analysis of ELM filament dynamics in KSTAR

• arxiv url: http://arxiv.org/abs/2201.07941v1
• Date: Thu, 20 Jan 2022 01:14:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-21 14:54:34.568048
• Title: Machine-Learning enabled analysis of ELM filament dynamics in KSTAR
• Title（参考訳）: 機械学習によるKSTARのEMMフィラメントダイナミクスの解析
• Authors: Cooper Jacobus, Minjun J. Choi, Ralph Kube
• Abstract要約: 本研究では,EMMフィラメントの位置,空間拡張,振幅を自動的に識別できる機械学習モデルを提案する。 このモデルでは9,3.7%の精度でプラズマフィラメントを識別できる。 フィラメントサイズ, 全熱量, 放射速度の準周期振動を同定した。
• 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: The emergence and dynamics of filamentary structures associated with edge-localized modes (ELMs) inside tokamak plasmas during high-confinement mode is regularly studied using Electron Cyclotron Emission Imaging (ECEI) diagnostic systems. Such diagnostics allow us to infer electron temperature variations, often across a poloidal cross-section. Previously, detailed analysis of these filamentary dynamics and classification of the precursors to edge-localized crashes has been done manually. We present a machine-learning-based model, capable of automatically identifying the position, spatial extend, and amplitude of ELM filaments. The model is a deep convolutional neural network that has been trained and optimized on an extensive set of manually labeled ECEI data from the KSTAR tokamak. Once trained, the model achieves a $93.7\%$ precision and allows us to robustly identify plasma filaments in unseen ECEI data. The trained model is used to characterize ELM filament dynamics in a single H-mode plasma discharge. We identify quasi-periodic oscillations of the filaments size, total heat content, and radial velocity. The detailed dynamics of these quantities appear strongly correlated with each other and appear qualitatively different during the pre-crash and ELM crash phases.
• Abstract（参考訳）: 高密度モードにおけるトカマクプラズマ中のエッジ局在モード(ELM)に関連するフィラメント構造の出現と動態を電子サイクロトロンイメージング(ECEI)診断システムを用いて定期的に検討した。 このような診断は電子温度の変動を推測し、しばしばポロロイド断面を横切ることができる。 従来,これらのフィラメントダイナミクスの詳細な解析と,エッジローカライズドクラッシュの前駆体の分類が手作業で行われてきた。 本研究では,EMMフィラメントの位置,空間拡張,振幅を自動的に識別できる機械学習モデルを提案する。 このモデルは深層畳み込みニューラルネットワークであり、KSTAR tokamakから手動でラベル付けされたECEIデータをトレーニングし、最適化している。 トレーニングが完了すると、このモデルは9,3.7\%の精度を達成し、見えないCEIデータのプラズマフィラメントを堅牢に識別することができる。 トレーニングされたモデルは、単一Hモードプラズマ放電におけるEMMフィラメントダイナミクスの特徴付けに使用される。 フィラメント径,全熱量,放射速度の準周期振動を同定した。 これらの量の詳細なダイナミクスは互いに強く相関しており、前クラッシュとelmのクラッシュフェーズの間は定性的に異なる。

関連論文リスト

• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Kinetics of orbital ordering in cooperative Jahn-Teller models: Machine-learning enabled large-scale simulations [7.540467064488348]
  本稿では,Jern-Teller(JT)システムの断熱力学に対するスケーラブル機械学習(ML)力場モデルを提案する。 JT模型の大規模動力学シミュレーションは、コロッサル磁気抵抗マンガナイトの軌道秩序ダイナミクスに光を当てた。
  論文  参考訳（メタデータ） (2024-05-23T16:44:29Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
  トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。 深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。 我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。 FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
  論文  参考訳（メタデータ） (2023-11-10T10:05:00Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Machine learning for phase ordering dynamics of charge density waves [5.813015022439543]
  電荷密度波(CDW)状態の大規模動的シミュレーションのための機械学習フレームワークを提案する。 ニューラルネットワークモデルを構築し,周辺環境からの入力により局所的な電子力を高精度かつ効率的に予測する。 本研究は,機能電子材料の動的シミュレーションにおけるMLベースの力場モデルの可能性を強調した。
  論文  参考訳（メタデータ） (2023-03-06T21:00:56Z)
• Machine Learning Benchmarks for the Classification of Equivalent Circuit Models from Electrochemical Impedance Spectra [0.0]
  本稿では,BatteryDEVハッカソン用にQuantumScapeが提供する9,300のインピーダンススペクトルを分類する機械学習手法を紹介する。 重要な課題はラベルの識別可能性であり、モデル性能と誤分類スペクトルの比較によって下線化されている。
  論文  参考訳（メタデータ） (2023-02-07T10:08:35Z)
• A Deep Learning Based Automatic Defect Analysis Framework for In-situ TEM Ion Irradiations [0.0]
  YOLOと呼ばれる高度な物体検出モデルに基づく微細構造特徴の自動TEMビデオ解析システムを開発した。 結果は、高速で一貫性があり、スケーラブルなフレームレベルの欠陥解析のために、F1スコアの0.89で人間に匹敵する性能を達成できることを示している。
  論文  参考訳（メタデータ） (2021-08-19T19:15:44Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Generative Autoencoder Kernels on Deep Learning for Brain Activity Analysis [3.04585143845864]
  HessELM-AE (Hessenberg decomposition-based ELM autoencoder) は、入力データの異なる表示を生成する新しいカーネルである。 本研究の目的は、脳卒中患者の脳波(EEG)に対する臨床的有用性のための新しいDeep AEカーネルの性能を分析することである。
  論文  参考訳（メタデータ） (2021-01-21T08:19:47Z)

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。