論文の概要: Neural net modeling of equilibria in NSTX-U
- arxiv url: http://arxiv.org/abs/2202.13915v1
- Date: Mon, 28 Feb 2022 16:09:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 17:12:06.982423
- Title: Neural net modeling of equilibria in NSTX-U
- Title（参考訳）: NSTX-Uにおける平衡のニューラルネットモデル
- Authors: J.T. Wai, M.D. Boyer, E. Kolemen
- Abstract要約: 我々は平衡モデルと形状制御モデルに関連する2つのニューラルネットワークを開発する。
ネットワークにはEFIT01再構成アルゴリズムでトレーニングされた自由境界均衡解法であるEqnetと、Gspert符号でトレーニングされたPertnetが含まれる。
本報告では,これらのモデルが閉ループシミュレーションで確実に使用できることを示す。
- 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: Neural networks (NNs) offer a path towards synthesizing and interpreting data
on faster timescales than traditional physics-informed computational models. In
this work we develop two neural networks relevant to equilibrium and shape
control modeling, which are part of a suite of tools being developed for the
National Spherical Torus Experiment-Upgrade (NSTX-U) for fast prediction,
optimization, and visualization of plasma scenarios. The networks include
Eqnet, a free-boundary equilibrium solver trained on the EFIT01 reconstruction
algorithm, and Pertnet, which is trained on the Gspert code and predicts the
non-rigid plasma response, a nonlinear term that arises in shape control
modeling. The equilibrium neural network is trained with different combinations
of inputs and outputs in order to offer flexibility in use cases. In
particular, the NN can use magnetic diagnostics as inputs for equilibrium
prediction thus acting as a reconstruction code, or can use profiles and
external currents as inputs to act as a traditional free-boundary
Grad-Shafranov solver. We report strong performance for both networks
indicating that these models could reliably be used within closed-loop
simulations. Some limitations regarding generalizability and noise are
discussed.
- Abstract（参考訳）: ニューラルネットワーク(nns)は、従来の物理計算モデルよりも高速な時間スケールでデータを合成し解釈するための経路を提供する。
本研究では,NSTX-U(National Spherical Torus Experiment-Upgrade)のためのツールスイートの一部として,平衡モデルと形状制御モデルに関連する2つのニューラルネットワークを開発し,プラズマシナリオの高速予測,最適化,可視化を行う。
ネットワークには、EFIT01再構成アルゴリズムで訓練された自由境界均衡解法であるEqnetと、Gspert符号で訓練され、形状制御モデルで発生する非線形項である非剛性プラズマ応答を予測するPertnetが含まれる。
均衡ニューラルネットワークは、ユースケースの柔軟性を提供するために、入力と出力の異なる組み合わせで訓練される。
特に、NNは、磁気診断を平衡予測の入力として使用して再構成符号として機能したり、プロファイルや外部電流を入力として使用して、従来のフリーバウンダリーなグラッドシャフラノフ解法として機能させることができる。
本報告では,これらのモデルが閉ループシミュレーションで確実に使用できることを示す。
一般化性と雑音に関するいくつかの制限について論じる。
関連論文リスト
- Advancing Spatio-Temporal Processing in Spiking Neural Networks through Adaptation [6.233189707488025]
本稿では、適応LIFニューロンとそのネットワークの動的、計算的、および学習特性について分析する。
適応LIFニューロンのネットワークの優越性は、複雑な時系列の予測と生成にまで及んでいることを示す。
論文 参考訳（メタデータ） (2024-08-14T12:49:58Z) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳（メタデータ） (2024-02-11T17:40:26Z) - Epistemic Modeling Uncertainty of Rapid Neural Network Ensembles for
Adaptive Learning [0.0]
新しいタイプのニューラルネットワークは、高速ニューラルネットワークパラダイムを用いて提示される。
提案したエミュレータを組み込んだニューラルネットワークは,予測精度を損なうことなく,ほぼ瞬時に学習できることが判明した。
論文 参考訳（メタデータ） (2023-09-12T22:34:34Z) - Speed Limits for Deep Learning [67.69149326107103]
熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。
線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。
NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
論文 参考訳（メタデータ） (2023-07-27T06:59:46Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - On the application of Physically-Guided Neural Networks with Internal
Variables to Continuum Problems [0.0]
内部変数を用いた物理誘導型ニューラルネットワーク(PGNNIV)を提案する。
普遍的な物理法則は、あるニューロンの値がシステムの内部状態変数として解釈されるように、ニューラルネットワークの制約として使用される。
これにより、ネットワークの容量が拡大するだけでなく、より高速な収束、少ないデータ要求、追加のノイズフィルタリングといった予測特性も向上する。
トレーニングセットで測定可能な値のみを用いることで,予測的かつ説明的能力を示すことによって,この新たな方法論を連続的な物理問題に拡張する。
論文 参考訳（メタデータ） (2020-11-23T13:06:52Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳（メタデータ） (2020-06-02T23:38:35Z) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳（メタデータ） (2020-04-08T06:55:12Z)
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。