論文の概要: Identification of Flux Rope Orientation via Neural Networks

• arxiv url: http://arxiv.org/abs/2202.05901v1
• Date: Fri, 11 Feb 2022 20:59:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-19 08:19:36.578907
• Title: Identification of Flux Rope Orientation via Neural Networks
• Title（参考訳）: ニューラルネットワークによるフラックスロープ配向の同定
• Authors: Thomas Narock, Ayris Narockm Luiz F. G. Dos Santos, Teresa Nieves-Chinchilla
• Abstract要約: 畳み込みニューラルネットワーク(CNN)を用いて,埋込磁束ロープの向きを予測する。 我々の研究は、解析的フラックスロープデータから磁場ベクトルを訓練したCNNを用いている。 1995～2015年における風観測ICMEに対するトレーニングネットワークの評価結果について報告する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geomagnetic disturbance forecasting is based on the identification of solar wind structures and accurate determination of their magnetic field orientation. For nowcasting activities, this is currently a tedious and manual process. Focusing on the main driver of geomagnetic disturbances, the twisted internal magnetic field of interplanetary coronal mass ejections (ICMEs), we explore a convolutional neural network's (CNN) ability to predict the embedded magnetic flux rope's orientation once it has been identified from in situ solar wind observations. Our work uses CNNs trained with magnetic field vectors from analytical flux rope data. The simulated flux ropes span many possible spacecraft trajectories and flux rope orientations. We train CNNs first with full duration flux ropes and then again with partial duration flux ropes. The former provides us with a baseline of how well CNNs can predict flux rope orientation while the latter provides insights into real-time forecasting by exploring how accuracy is affected by percentage of flux rope observed. The process of casting the physics problem as a machine learning problem is discussed as well as the impacts of different factors on prediction accuracy such as flux rope fluctuations and different neural network topologies. Finally, results from evaluating the trained network against observed ICMEs from Wind during 1995-2015 are presented.
• Abstract（参考訳）: 地磁気外乱予測は、太陽風構造の同定と磁場配向の正確な決定に基づいている。 nowcastingのアクティビティでは、これは現在退屈で手作業によるプロセスです。 地磁気障害の主要因である惑星間コロナ質量放出(ICME)の内部磁場に着目し,着地した太陽風観測から着地した磁束ロープの向きを予測する畳み込みニューラルネットワーク(CNN)能力について検討した。 我々の研究は、解析的フラックスロープデータから磁場ベクトルを訓練したCNNを用いている。 シミュレーションされたフラックスロープは多くの可能な宇宙船軌道とフラックスロープの向きにまたがる。 まずCNNをフル持続フラックスロープで訓練し、次に部分持続フラックスロープで訓練する。 前者は、cnnがどうやって流束ロープの向きを予測できるかのベースラインを提供し、後者は観測された流束ロープの割合によってどの程度の精度が影響を受けるかを調べることによって、リアルタイム予測に対する洞察を提供します。 物理問題を機械学習問題としてキャスティングする過程と,フラックスロープのゆらぎやニューラルネットワークトポロジの違いといった予測精度に及ぼす要因の影響について考察した。 最後に,1995～2015年における風観測ICMEに対するトレーニングネットワークの評価結果について報告する。

関連論文リスト

• Forecasting Geoffective Events from Solar Wind Data and Evaluating the Most Predictive Features through Machine Learning Approaches [0.0]
  本研究では,機械学習技術を利用した地磁気障害の予測について検討した。 この問題は,SYM-H地磁気活動指数の50ドルnT未満の低下を事前に1時間予測することを目的とした2値分類としてアプローチされている。 地磁気嵐の発生を適切に予測するためのニューラルネットワークの最適性能を示す。
  論文  参考訳（メタデータ） (2024-03-14T20:13:26Z)
• 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)
• Forecasting Fold Bifurcations through Physics-Informed Convolutional Neural Networks [0.0]
  本研究では,2次分岐近傍の力学系の時系列を同定する物理インフォームド畳み込みニューラルネットワーク(CNN)を提案する。 CNNは比較的少量のデータと単一の非常に単純なシステムで訓練されている。 同様のタスクは、物理学に基づく情報を利用して得られる、かなりの外挿能力を必要とする。
  論文  参考訳（メタデータ） (2023-12-21T10:07:52Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Prediction of Large Magnetic Moment Materials With Graph Neural Networks and Random Forests [0.0]
  強磁性材料の無機結晶構造データベースを走査するために,最先端の機械学習手法を用いる。 ランダムな森林では,化学組成と結晶構造に基づいて100近い関連する記述子を選択する手法を用いる。 我々は、大きな磁気モーメントを持ち、まだ実験的に研究されていない15の物質を発見した。
  論文  参考訳（メタデータ） (2021-11-29T17:09:37Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• 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)
• Revisiting Initialization of Neural Networks [72.24615341588846]
  ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。 Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
  論文  参考訳（メタデータ） (2020-04-20T18:12:56Z)

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。