論文の概要: Deep Learning Architecture Based Approach For 2D-Simulation of Microwave Plasma Interaction

• arxiv url: http://arxiv.org/abs/2206.01263v1
• Date: Thu, 2 Jun 2022 19:37:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-06 15:26:32.087788
• Title: Deep Learning Architecture Based Approach For 2D-Simulation of Microwave Plasma Interaction
• Title（参考訳）: 深層学習アーキテクチャによるマイクロ波プラズマ相互作用の2次元シミュレーション
• Authors: Mihir Desai, Pratik Ghosh, Ahlad Kumar and Bhaskar Chaudhury
• Abstract要約: 本稿では,マイクロ波-プラズマ相互作用シミュレーションのための畳み込みニューラルネットワーク(CNN)に基づく深層学習モデルを提案する。 2D-FDTD (Finite Different Time Domain) を用いたマイクロ波プラズマ相互作用に関するトレーニングデータを生成する。 次に、トレーニングされたディープラーニングモデルを用いて、誤差マージンが2%未満のプラズマプロファイル上の1GHz入射マイクロ波の散乱電界値を再現する。
• 参考スコア（独自算出の注目度）: 5.467400475482668
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a convolutional neural network (CNN)-based deep learning model, inspired from UNet with series of encoder and decoder units with skip connections, for the simulation of microwave-plasma interaction. The microwave propagation characteristics in complex plasma medium pertaining to transmission, absorption and reflection primarily depends on the ratio of electromagnetic (EM) wave frequency and electron plasma frequency, and the plasma density profile. The scattering of a plane EM wave with fixed frequency (1 GHz) and amplitude incident on a plasma medium with different gaussian density profiles (in the range of $1\times 10^{17}-1\times 10^{22}{m^{-3}}$) have been considered. The training data associated with microwave-plasma interaction has been generated using 2D-FDTD (Finite Difference Time Domain) based simulations. The trained deep learning model is then used to reproduce the scattered electric field values for the 1GHz incident microwave on different plasma profiles with error margin of less than 2\%. We propose a complete deep learning (DL) based pipeline to train, validate and evaluate the model. We compare the results of the network, using various metrics like SSIM index, average percent error and mean square error, with the physical data obtained from well-established FDTD based EM solvers. To the best of our knowledge, this is the first effort towards exploring a DL based approach for the simulation of complex microwave plasma interaction. The deep learning technique proposed in this work is significantly fast as compared to the existing computational techniques, and can be used as a new, prospective and alternative computational approach for investigating microwave-plasma interaction in a real time scenario.
• Abstract（参考訳）: 本稿では,マイクロ波-プラズマ相互作用シミュレーションのための畳み込みニューラルネットワーク(CNN)に基づく深層学習モデルを提案する。 透過・吸収・反射に関連する複雑なプラズマ媒体のマイクロ波伝搬特性は、主に電磁(EM)波周波数と電子プラズマ周波数の比とプラズマ密度分布に依存する。 一定周波数(1ghz)の平面em波の散乱と、ガウス密度プロファイルの異なるプラズマ媒体への振幅入射(1\times 10^{17}-1\times 10^{22}{m^{-3}}$)が検討されている。 2D-FDTD (Finite Different Time Domain) を用いたマイクロ波プラズマ相互作用に関するトレーニングデータを生成する。 訓練された深層学習モデルは、異なるプラズマプロファイル上の1ghz入射マイクロ波の散乱電界値を2\%未満で再現するために使用される。 モデルの訓練,評価,評価を行うための,完全なディープラーニング(DL)ベースのパイプラインを提案する。 ネットワークの結果を,SSIM指数,平均誤差,平均二乗誤差などの様々な指標を用いて比較し,FDTDベースのEMソルバから得られた物理データと比較した。 我々の知る限り、これは複雑なマイクロ波プラズマ相互作用のシミュレーションのためのDLベースのアプローチを探求する最初の試みである。 本研究で提案する深層学習手法は, 既存の計算手法と比較してかなり高速であり, マイクロ波プラズマ相互作用をリアルタイムに検証するための新しい, 予測的, 代替的な計算手法として利用できる。

関連論文リスト

• EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
  実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。 実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
  論文  参考訳（メタデータ） (2024-05-27T17:19:02Z)
• Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
  トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。 深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。 我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。 FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
  論文  参考訳（メタデータ） (2023-11-10T10:05:00Z)
• Fast Dynamic 1D Simulation of Divertor Plasmas with Neural PDE Surrogates [3.6443770850509423]
  ダイバータプラズマの管理は、ダイバータターゲットの熱と粒子フラックスの制約により、原子炉スケールトカマク装置の動作に不可欠である。 我々は、古典的数値法で生成した解を用いて訓練された、データ駆動型ニューラルネットワークに基づくサロゲートモデルである、ニューラルPDEサロゲートを用いた高速シミュレータの欠如に対処する。 我々は,上流密度ランプによって誘導されるダイナミックスで現実的なTCVダイバータプラズマをシミュレートし,高速な過渡現象への探索的展望を提供する。
  論文  参考訳（メタデータ） (2023-05-30T11:20:14Z)
• Deep Learning assisted microwave-plasma interaction based technique for plasma density estimation [1.4680035572775534]
  本稿では,マイクロ波-プラズマ相互作用に基づく非侵襲的診断を支援するDeep Learning (DL)を提案する。 プラズマからのマイクロ波散乱による電界パターンを利用して密度分布を推定する。 得られた結果から,線状プラズマ装置の密度の2次元半径分布を推定する上で有望な性能を示した。
  論文  参考訳（メタデータ） (2023-04-28T12:27:23Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Wave simulation in non-smooth media by PINN with quadratic neural network and PML condition [2.7651063843287718]
  最近提案された物理インフォームドニューラルネットワーク(PINN)は、幅広い偏微分方程式(PDE)を解くことに成功している。 本稿では、波動方程式の代わりにPINNを用いて周波数領域における音響および粘性音響散乱波動方程式を解き、震源の摂動を除去する。 PMLと2次ニューロンは、その効果と減衰を改善できることを示し、この改善の理由を議論する。
  論文  参考訳（メタデータ） (2022-08-16T13:29:01Z)
• Physics-informed machine learning techniques for edge plasma turbulence modelling in computational theory and experiment [0.0]
  磁気閉じ込め核融合装置の性能には、エッジプラズマ乱流が不可欠である。 この論文は、核融合プラズマにおける乱流電子密度、電子温度、中性密度の最初の2次元時間依存的な実験的測定を提示する。
  論文  参考訳（メタデータ） (2022-05-16T17:46:14Z)
• Photoinduced prethermal order parameter dynamics in the two-dimensional large-$N$ Hubbard-Heisenberg model [77.34726150561087]
  2次元相関電子モデルにおいて、競合する秩序相の微視的ダイナミクスについて検討する。 2つの競合する位相間の光誘起遷移をシミュレートする。
  論文  参考訳（メタデータ） (2022-05-13T13:13:31Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)
• Using neural networks to solve the 2D Poisson equation for electric field computation in plasma fluid simulations [0.0]
  ポアソン方程式はホールエフェクトスラスタやストリーマー放電に使用されるプラズマ流体シミュレーションにおいて自己整合解を得るために重要である。 ディープニューラルネットワークを用いてディリクレ境界条件をゼロとした2次元ポアソン方程式の解法を検討した。 CNNは、同じポアソン方程式を、円筒座標で解くために構築される。 その結果,CNNの予測精度は著しく向上した。
  論文  参考訳（メタデータ） (2021-09-27T14:25:10Z)
• Diffusion Earth Mover's Distance and Distribution Embeddings [61.49248071384122]
  拡散は$tildeo(n)$ timeで計算でき、ツリーベースのような同様の高速アルゴリズムよりも正確である。 拡散は完全微分可能であり、深層ニューラルネットワークのような勾配拡散フレームワークの将来の使用に適している。
  論文  参考訳（メタデータ） (2021-02-25T13:18:32Z)

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。