論文の概要: Machine Learning Solar Wind Driving Magnetospheric Convection in Tail Lobes

• arxiv url: http://arxiv.org/abs/2202.01383v1
• Date: Thu, 3 Feb 2022 02:59:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-04 15:17:04.489803
• Title: Machine Learning Solar Wind Driving Magnetospheric Convection in Tail Lobes
• Title（参考訳）: 太陽風を駆動する太陽熱対流の機械的学習
• Authors: Xin Cao, Jasper S. Halekas, Stein Haaland, Suranga Ruhunusiri, Karl-Heinz Glassmeier
• Abstract要約: 機械学習モデルを用いてデータセットを分析し、上流因子がローブ対流を駆動する要因を決定する。 IMFと磁気圏活動は、大域磁気圏のプラズマ対流に影響を与える重要な役割を担っている。
• 参考スコア（独自算出の注目度）: 2.7455550128384636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To quantitatively study the driving mechanisms of magnetospheric convection in the magnetotail lobes on a global scale, we utilize data from the ARTEMIS spacecraft in the deep tail and the Cluster spacecraft in the near tail. Previous work demonstrated that, in the lobes near the Moon, we can estimate the convection by utilizing ARTEMIS measurements of lunar ions velocity. In this paper, we analyze these datasets with machine learning models to determine what upstream factors drive the lobe convection in different magnetotail regions and thereby understand the mechanisms that control the dynamics of the tail lobes. Our results show that the correlations between the predicted and test convection velocities for the machine learning models (> 0.75) are much better than those of the multiple linear regression model (~ 0.23 - 0.43). The systematic analysis reveals that the IMF and magnetospheric activity play an important role in influencing plasma convection in the global magnetotail lobes.
• Abstract（参考訳）: 磁気テールローブの磁気圏対流の駆動機構を地球規模で定量的に研究するために、深尾のアルテミス宇宙船と近尾のクラスター宇宙船のデータを利用する。 以前の研究では、月の近傍のローブでは、月のイオン速度のARTEMIS測定を利用して対流を推定できることを示した。 本稿では、これらのデータセットを機械学習モデルを用いて解析し、上流因子が異なる磁極領域でローブ対流を駆動するかを判断し、テールローブの力学を制御するメカニズムを理解する。 その結果、機械学習モデルの予測対流速度とテスト対流速度(> 0.75)の相関は、多重線形回帰モデル(~ 0.23 - 0.43)よりもずっと優れていることがわかった。 系統的な分析により、IMFと磁気圏活性は、大域磁気圏のプラズマ対流に影響を与える重要な役割を果たすことが明らかとなった。

関連論文リスト

• Multimodal Flare Forecasting with Deep Learning [0.2968738145616401]
  色圏およびコロナUVおよびEUV放射の異なる波長での予測能力を比較するために、深層学習を採用している。 以上の結果から,EUVの波長は,視線磁図と同等以上の識別力が得られることが示唆された。
  論文  参考訳（メタデータ） (2024-10-21T15:42:47Z)
• 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)
• Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation [48.66623377464203]
  我々の新しいアプローチは、脳科学における神経可塑性の概念を活用する、ダイナミックワンフォーオール(DOFA)モデルを導入している。 このダイナミックなハイパーネットワークは、異なる波長に調整され、5つのセンサーのデータに基づいて1つの多目的トランスフォーマーを共同で訓練し、12の異なる地球観測タスクを遂行することを可能にする。
  論文  参考訳（メタデータ） (2024-03-22T17:11:47Z)
• A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
  様々な動物が環境の手がかりを使って正確なナビゲーションをしている。 動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。 提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
  論文  参考訳（メタデータ） (2024-02-06T13:20:56Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• 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)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Predictions of Electromotive Force of Magnetic Shape Memory Alloy (MSMA) Using Constitutive Model and Generalized Regression Neural Network [0.0]
  強磁性形状記憶合金(MSMA)は室温での磁場印加による形状記憶効果を示す。 この研究は、Ni-Mn-Ga単結晶の既存のマクロスケール磁気力学モデルに新しい特徴を導入した。 モデル予測は、Ni-Mn-Ga単結晶上で収集された実験データと比較される。
  論文  参考訳（メタデータ） (2022-06-08T06:38:33Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• On gray-box modeling for virtual flow metering [0.0]
  石油生産システムにおける流量の連続予測を可能にする仮想流量計(vfm)。 グレーボックスモデリングは、機械性とデータ駆動モデリングを組み合わせたアプローチです。 本論文は,石油油井10箇所の工業ケーススタディにおいて,グレーボックス型5種について検討する。
  論文  参考訳（メタデータ） (2021-03-23T13:17:38Z)

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。