論文の概要: Transfer Learning of High-Fidelity Opacity Spectra in Autoencoders and
Surrogate Models
- arxiv url: http://arxiv.org/abs/2203.00853v1
- Date: Wed, 2 Mar 2022 03:57:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 05:05:22.527263
- Title: Transfer Learning of High-Fidelity Opacity Spectra in Autoencoders and
Surrogate Models
- Title(参考訳): オートエンコーダおよびサロゲートモデルにおける高忠実度不透明スペクトルの伝達学習
- Authors: Michael D. Vander Wal and Ryan G. McClarren and Kelli D. Humbird
- Abstract要約: ニューラルネットワークはこれらのスペクトルを再現することができるが、ニューラルネットワークはそれらを訓練するためにデータを必要とする。
本稿では, 高忠実度クリプトンデータを用いて, 3%から4%の誤差で高忠実度スペクトルを再現できることを実証した。
- 参考スコア(独自算出の注目度): 2.064612766965483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulations of high energy density physics are expensive, largely in part for
the need to produce non-local thermodynamic equilibrium opacities.
High-fidelity spectra may reveal new physics in the simulations not seen with
low-fidelity spectra, but the cost of these simulations also scale with the
level of fidelity of the opacities being used. Neural networks are capable of
reproducing these spectra, but neural networks need data to to train them which
limits the level of fidelity of the training data. This paper demonstrates that
it is possible to reproduce high-fidelity spectra with median errors in the
realm of 3\% to 4\% using as few as 50 samples of high-fidelity Krypton data by
performing transfer learning on a neural network trained on many times more
low-fidelity data.
- Abstract(参考訳): 高エネルギー密度物理学のシミュレーションは高価であり、主に非局所熱力学平衡不透明度を生成する必要がある。
高忠実度スペクトルは、低忠実度スペクトルでは見られないシミュレーションにおける新しい物理を明らかにするが、これらのシミュレーションのコストは、使用中の不純物の忠実度レベルとともにスケールする。
ニューラルネットワークはこれらのスペクトルを再現することができるが、トレーニングデータの忠実度を制限するために、トレーニングするデータが必要である。
本稿では,複数の低忠実度データでトレーニングされたニューラルネットワーク上で転送学習を行うことで,高忠実度クリプトンデータの50サンプルのサンプルを用いて,中央値誤差が3-%から4-%の範囲で高忠実度スペクトルを再現できることを実証する。
関連論文リスト
- Efficient representation learning of scintillation signal characteristics with spectrum-inspired temporal neural networks [1.124958340749622]
シンチレータを用いた核放射線検出器は、粒子・高エネルギー物理実験、核医学イメージング、産業・環境検出等に広く利用されている。
本稿では,従来の時系列解析に基づくシンチレーション信号のキャラクタリゼーションに適したネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-10-09T02:44:53Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳(メタデータ) (2023-12-04T01:32:42Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳(メタデータ) (2023-08-22T09:11:53Z) - A Scalable Walsh-Hadamard Regularizer to Overcome the Low-degree
Spectral Bias of Neural Networks [79.28094304325116]
任意の関数を学習するニューラルネットワークの能力にもかかわらず、勾配降下によって訓練されたモデルは、しばしばより単純な関数に対するバイアスを示す。
我々は、この低度周波数に対するスペクトルバイアスが、現実のデータセットにおけるニューラルネットワークの一般化を実際にいかに損なうかを示す。
本稿では,ニューラルネットワークによる高次周波数学習を支援する,スケーラブルな機能正規化手法を提案する。
論文 参考訳(メタデータ) (2023-05-16T20:06:01Z) - OpenHLS: High-Level Synthesis for Low-Latency Deep Neural Networks for
Experimental Science [0.6571063542099524]
本稿では,ディープニューラルネットワークの高レベル表現を低レベル表現に変換するための,オープンソースの軽量コンパイラフレームワークを提案する。
我々はOpenHLSがスループット4.8$mu$s/sampleでネットワークの実装を作成できることを示した。
論文 参考訳(メタデータ) (2023-02-13T23:25:55Z) - 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) - Electron energy loss spectroscopy database synthesis and automation of
core-loss edge recognition by deep-learning neural networks [0.0]
原スペクトルからコアロスエッジの検出と要素同定を自動化するために,畳み込み型双方向長短期記憶ニューラルネットワーク(CNN-BiLSTM)を提案する。
94.9%の精度で、提案したCNN-BiLSTMネットワークは、生スペクトルの複雑な前処理がなければ、高い精度でEELSスペクトルのコアロスエッジ認識を自動化できることを証明している。
論文 参考訳(メタデータ) (2022-09-26T20:57:34Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - Transfer Learning as a Method to Reproduce High-Fidelity NLTE Opacities
in Simulations [2.064612766965483]
ニューラルネットワークは、低忠実度データの標準的な計算を置き換えるために使用できる。
転写学習により高忠実度クリプトンスペクトルを再現するよう訓練された新しいニューラルネットワークアーキテクチャをシミュレーションに利用できることが実証された。
論文 参考訳(メタデータ) (2022-05-28T21:08:26Z) - NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。
この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。
我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
論文 参考訳(メタデータ) (2021-06-09T17:59:10Z) - On transfer learning of neural networks using bi-fidelity data for
uncertainty propagation [0.0]
本研究では,高忠実度モデルと低忠実度モデルの両方から生成された学習データを用いた伝達学習手法の適用について検討する。
前者のアプローチでは、低忠実度データに基づいて、入力を関心の出力にマッピングするニューラルネットワークモデルを訓練する。
次に、高忠実度データを使用して、低忠実度ネットワークの上層(s)のパラメータを適応させたり、より単純なニューラルネットワークをトレーニングして、低忠実度ネットワークの出力を高忠実度モデルのパラメータにマッピングする。
論文 参考訳(メタデータ) (2020-02-11T15:56:11Z)
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。