論文の概要: Detection of magnetohydrodynamic waves by using machine learning
- arxiv url: http://arxiv.org/abs/2206.07334v1
- Date: Wed, 15 Jun 2022 07:35:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 15:09:55.337780
- Title: Detection of magnetohydrodynamic waves by using machine learning
- Title（参考訳）: 機械学習による磁気流体波動の検出
- Authors: Fang Chen and Ravi Samtaney
- Abstract要約: 様々な種類のMHD波の同定は、このような複雑な波動パターンにおいて重要かつ困難な課題である。
本稿では,畳み込みニューラルネットワーク(CNN)を用いた2つのMHD波検出手法を提案する。
- 参考スコア（独自算出の注目度）: 4.680040836136128
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nonlinear wave interactions, such as shock refraction at an inclined density
interface, in magnetohydrodynamic (MHD) lead to a plethora of wave patterns
with myriad wave types. Identification of different types of MHD waves is an
important and challenging task in such complex wave patterns. Moreover, owing
to the multiplicity of solutions and their admissibility for different systems,
especially for intermediate-type MHD shock waves, the identification of MHD
wave types is complicated if one solely relies on the Rankine-Hugoniot jump
conditions. MHD wave detection is further exacerbated by the unphysical
smearing of discontinuous shock waves in numerical simulations. We present two
MHD wave detection methods based on a convolutional neural network (CNN) which
enables the classification of waves and identification of their locations. The
first method separates the output into a regression (location prediction) and a
classification problem assuming the number of waves for each training data is
fixed. In the second method, the number of waves is not specified a priori and
the algorithm, using only regression, predicts the waves' locations and
classifies their types. The first fixed output model efficiently provides high
precision and recall, the accuracy of the entire neural network achieved is up
to 0.99, and the classification accuracy of some waves approaches unity. The
second detection model has relatively lower performance, with more sensitivity
to the setting of parameters, such as the number of grid cells N_{grid} and the
thresholds of confidence score and class probability, etc. The proposed two
methods demonstrate very strong potential to be applied for MHD wave detection
in some complex wave structures and interactions.
- Abstract（参考訳）: 磁気流体力学(MHD)における衝撃屈折のような非線形波動相互作用は、無数の波動型を持つ波動パターンの多重化につながる。
様々な種類のMHD波の同定は、このような複雑な波動パターンにおいて重要かつ困難な課題である。
さらに、解の多重性と異なる系、特に中間型MHD衝撃波に対する許容性のため、ランキン・フグニオートジャンプ条件のみに依存する場合、MHD波のタイプ同定は複雑である。
数値シミュレーションにおける不連続衝撃波の非物理的スメア化により、mhd波検出はさらに悪化する。
本研究では,畳み込みニューラルネットワーク(cnn)に基づく2つのmhd波検出法を提案する。
第1の方法は、出力を回帰(位置予測)と各トレーニングデータに対する波数を固定した分類問題とに分離する。
第2の手法では、波の個数は事前に指定されず、回帰のみを用いて、波の位置を予測し、それらの型を分類する。
第1次固定出力モデルは高い精度と記憶力を提供し、達成されたニューラルネットワーク全体の精度は0.99であり、一部の波の分類精度は統一に近づく。
第2検出モデルは比較的低い性能で、グリッドセル数 n_{grid} や信頼度スコアやクラス確率のしきい値などのパラメータの設定に対する感度が高い。
提案手法は, 複雑な波動構造と相互作用において, MHD波検出に非常に強い可能性を示す。
関連論文リスト
- Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。
近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。
この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
論文 参考訳（メタデータ） (2024-05-23T16:30:51Z) - Adaptive LPD Radar Waveform Design with Generative Deep Learning [6.21540494241516]
本稿では,検出レーダ波形の低確率を適応的に生成する新しい学習手法を提案する。
提案手法では,検出可能性の最大90%を低減できるLPD波形を生成できると同時に,アンビグニティ関数(センシング)特性も向上する。
論文 参考訳（メタデータ） (2024-03-18T21:07:57Z) - Data assimilation and parameter identification for water waves using the
nonlinear Schr\"{o}dinger equation and physics-informed neural networks [0.3495246564946556]
波高計などのその場観測装置を用いた深海重力波の上昇の測定は、典型的にはスパースデータを出力する。
この分散性は、設置の労力と高い運用コストのために、限られた数のゲージが配置されたことから生じる。
本稿では、物理インフォームドニューラルネットワーク(PINN)を用いて、物理的に一貫した波動場を再構成する手法を提案する。
論文 参考訳（メタデータ） (2024-01-08T07:35:48Z) - Data-driven localized waves and parameter discovery in the massive
Thirring model via extended physics-informed neural networks with interface
zones [3.522950356329991]
深層学習を用いた大規模Thiring(MT)モデルにおいて,データ駆動型局所波動解とパラメータ発見について検討した。
高次局所波解に対しては、拡張PINN(XPINN)とドメイン分解を用いる。
実験結果から, XPINNsの改良により, 収束速度が速く, 計算の複雑さを低減できることがわかった。
論文 参考訳（メタデータ） (2023-09-29T13:50:32Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳（メタデータ） (2023-05-18T12:30:26Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Variational waveguide QED simulators [58.720142291102135]
導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。
ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
論文 参考訳（メタデータ） (2023-02-03T18:55:08Z) - Machine Learning Extreme Acoustic Non-reciprocity in a Linear Waveguide
with Multiple Nonlinear Asymmetric Gates [68.8204255655161]
この研究は、2つの局所的非線形非対称ゲートを組み込んだ受動1次元線形導波路による音響的非相互性の研究である。
最大透過率は40%に達し、上流から下流までの伝達エネルギーは波動伝播の方向によって最大9桁まで変化する。
論文 参考訳（メタデータ） (2023-02-02T17:28:04Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Prediction of Ultrasonic Guided Wave Propagation in Solid-fluid and
their Interface under Uncertainty using Machine Learning [0.0]
我々は,構造物の材料および幾何学的特性の不確かさを考慮し,既存研究を推し進める。
本研究では,不確実性の下での多物理問題の解法に固有の複雑性に対処する効率的なアルゴリズムを開発する。
提案手法は不確実性が存在する場合にWpFSI問題を正確に予測する。
論文 参考訳（メタデータ） (2021-03-30T01:05:14Z) - WaveGrad: Estimating Gradients for Waveform Generation [55.405580817560754]
WaveGradは、データ密度の勾配を推定する波形生成の条件モデルである。
ガウスのホワイトノイズ信号から始まり、メル・スペクトログラムに条件付けされた勾配に基づくサンプリング器を通じて繰り返し信号の精製を行う。
6回の反復で高忠実度音声サンプルを生成できることが判明した。
論文 参考訳（メタデータ） (2020-09-02T17:44:10Z)
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。