論文の概要: Magnetic Field Prediction Using Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2203.07897v1
- Date: Mon, 14 Mar 2022 12:31:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 16:18:49.453544
- Title: Magnetic Field Prediction Using Generative Adversarial Networks
- Title（参考訳）: 生成型adversarial networkを用いた磁場予測
- Authors: Stefan Pollok, Nataniel Olden-J{\o}rgensen, Peter Stanley
J{\o}rgensen, Rasmus Bj{\o}rk
- Abstract要約: 生成逆数ネットワーク(GAN)構造を用いて,空間のランダムな点における磁場の値を予測する。
ディープラーニング(DL)アーキテクチャは、与えられた磁場の欠落した磁場値を予測するジェネレータと、実際の磁場分布と生成された磁場分布の間の統計的距離を計算するために訓練された批評家の2つのニューラルネットワークで構成される。
訓練されたジェネレータは、フィールドポイントの1つのコヒーレント領域が欠落している場合の5.14%、空間における数点測定しか得られていない場合の5.86%の中央値再構成テスト誤差で、フィールド値の欠落を予測できることを学習した。
- 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: Plenty of scientific and real-world applications are built on magnetic fields
and their characteristics. To retrieve the valuable magnetic field information
in high resolution, extensive field measurements are required, which are either
time-consuming to conduct or even not feasible due to physical constraints. To
alleviate this problem, we predict magnetic field values at a random point in
space from a few point measurements by using a generative adversarial network
(GAN) structure. The deep learning (DL) architecture consists of two neural
networks: a generator, which predicts missing field values of a given magnetic
field, and a critic, which is trained to calculate the statistical distance
between real and generated magnetic field distributions. By minimizing this
statistical distance, a reconstruction loss as well as physical losses, our
trained generator has learned to predict the missing field values with a median
reconstruction test error of 5.14%, when a single coherent region of field
points is missing, and 5.86%, when only a few point measurements in space are
available and the field measurements around are predicted. We verify the
results on an experimentally validated field.
- Abstract（参考訳）: たくさんの科学や実世界の応用が磁場とその特性に基づいている。
貴重な磁場情報を高分解能で取得するには、物理的な制約により実施に要する時間や実現不可能である広範囲な磁場計測が必要となる。
この問題を解決するために,gan(generative adversarial network)構造を用いて,数点測定から空間のランダム点における磁場値を予測する。
ディープラーニング(dl)アーキテクチャは、与えられた磁場の不足フィールド値を予測するジェネレータと、実際の磁場分布と生成された磁場分布の間の統計距離を計算するように訓練された批評家の2つのニューラルネットワークで構成されている。
この統計的距離, 復元損失, 身体的損失を最小化することにより, トレーニングされた発電機は, 単独のコヒーレント領域が欠落している場合の5.14%, 空間における数点測定しか得られず, 周囲のフィールド測定が予測される場合の5.86%のフィールド値について, 中央値の復元試験誤差で予測できることを学習した。
実験により検証したフィールド上で結果を検証する。
関連論文リスト
- Optimizing Off-Axis Fields for Two-Axis Magnetometry with Point Defects [0.08738116412366388]
静的バイアス場を慎重に最適化することで、複数の磁場成分を同時に測定できることを実証する。
この研究は、2次ゼーマン効果からの周波数シフトの増加と、オフ軸磁場成分の増加に伴うコントラストの減少の間のトレードオフを定量化する。
論文 参考訳（メタデータ） (2024-04-15T12:50:15Z) - Random forests for detecting weak signals and extracting physical
information: a case study of magnetic navigation [0.0]
貯水池計算と時間遅延フィードフォワードニューラルネットワークという2つの機械学習アーキテクチャは、GPSで測定された環境で地球の異常磁場を検出するために利用することができる。
我々は,複数の決定木の出力を組み合わせたランダム森林の機械学習モデルを利用して,物理量の最適値を与える。
ランダムフォレストアルゴリズムは, 弱い異常場の検出や航空機の位置のフィルタリングにおいて, 極めてよく機能することを示す。
論文 参考訳（メタデータ） (2024-02-21T21:10:12Z) - Quantum magnetometry using discrete-time quantum walk [2.732919960807485]
離散時間量子ウォーク(DTQW)を用いた量子磁気学の手法を提案する。
1次元格子上にDTQWを実装するスピンハーフ粒子の力学は磁場の影響を受ける。
位置とスピン測定を用いて磁場の強度を推定できることが判明した。
論文 参考訳（メタデータ） (2023-11-27T13:23:33Z) - Large-scale magnetic field maps using structured kernel interpolation
for Gaussian process regression [0.9208007322096532]
そこで本研究では,屋内環境における大規模磁場マップを計算するためのマッピングアルゴリズムを提案する。
シミュレーションでは, マッピング面積が増大する磁場マップにおいて, 現在の最先端手法よりも精度がよいことを示す。
論文 参考訳（メタデータ） (2023-10-25T11:58:18Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z) - Information Entropy Initialized Concrete Autoencoder for Optimal Sensor
Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。
本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。
得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文 参考訳（メタデータ） (2022-06-28T12:43:38Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳（メタデータ） (2022-02-23T18:57:53Z) - Magnetic Field Sensing for Pedestrian and Robot Indoor Positioning [12.868722327487752]
本研究では、(i)携帯端末で収集されたデータと(ii)自家電磁界で磁気データを摂動させるローカライゼーションロボットの2つの設定において、磁場データを用いた屋内位置決めの問題に対処する。
まず, 異なる強磁性体によって生成される室内環境における磁気異常の利点を生かした, 新規な拡張パイプラインを提案する。
我々は、磁場時系列を画像シーケンスとして表現するために、Recurrence Plots、Gramian Angular Fields、Markov Transition Fieldsの手法を用いる。
第2のセットアップでは、磁場データがどのように取得されるかを分析する。
論文 参考訳（メタデータ） (2021-08-26T14:44:46Z) - 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) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳（メタデータ） (2020-10-15T12:15:02Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z)
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。