論文の概要: IDP-PGFE: An Interpretable Disruption Predictor based on Physics-Guided Feature Extraction

• arxiv url: http://arxiv.org/abs/2208.13197v1
• Date: Sun, 28 Aug 2022 10:47:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-30 13:26:18.196825
• Title: IDP-PGFE: An Interpretable Disruption Predictor based on Physics-Guided Feature Extraction
• Title（参考訳）: IDP-PGFE:物理誘導特徴抽出に基づく解釈可能な破壊予測器
• Authors: Chengshuo Shen, Wei Zheng, Yonghua Ding, Xinkun Ai, Fengming Xue, Yu Zhong, Nengchao Wang, Li Gao, Zhipeng Chen, Zhoujun Yang, Zhongyong Chen, Yuan Pan and J-TEXT team
• Abstract要約: 本稿では物理誘導特徴抽出(IDP-PGFE)に基づく解釈破壊予測器を設計する。 物理誘導された特徴を抽出することにより、モデルの予測性能を効果的に向上する。
• 参考スコア（独自算出の注目度）: 12.42746307128832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disruption prediction has made rapid progress in recent years, especially in machine learning (ML)-based methods. Understanding why a predictor makes a certain prediction can be as crucial as the prediction's accuracy for future tokamak disruption predictors. The purpose of most disruption predictors is accuracy or cross-machine capability. However, if a disruption prediction model can be interpreted, it can tell why certain samples are classified as disruption precursors. This allows us to tell the types of incoming disruption and gives us insight into the mechanism of disruption. This paper designs a disruption predictor called Interpretable Disruption Predictor based On Physics-guided feature extraction (IDP-PGFE) on J-TEXT. The prediction performance of the model is effectively improved by extracting physics-guided features. A high-performance model is required to ensure the validity of the interpretation results. The interpretability study of IDP-PGFE provides an understanding of J-TEXT disruption and is generally consistent with existing comprehension of disruption. IDP-PGFE has been applied to the disruption due to continuously increasing density towards density limit experiments on J-TEXT. The time evolution of the PGFE features contribution demonstrates that the application of ECRH triggers radiation-caused disruption, which lowers the density at disruption. While the application of RMP indeed raises the density limit in J-TEXT. The interpretability study guides intuition on the physical mechanisms of density limit disruption that RMPs affect not only the MHD instabilities but also the radiation profile, which delays density limit disruption.
• Abstract（参考訳）: ディスラプション予測は、特に機械学習(ML)ベースの手法において、近年急速に進歩している。 予測器が特定の予測を行う理由を理解することは、将来のトカマク破壊予測器の予測精度と同じくらい重要である。 ほとんどの破壊予測器の目的は精度またはクロスマシン能力である。 しかし、ディスラプション予測モデルが解釈できるならば、あるサンプルがディスラプション前駆体として分類されている理由が分かる。 これにより、入ってくるディスラプションのタイプを判断し、ディスラプションのメカニズムに関する洞察を得ることができます。 本稿では,J-TEXT上での物理誘導特徴抽出(IDP-PGFE)に基づく解釈破壊予測器を設計する。 このモデルの予測性能は、物理誘導特徴を抽出することにより効果的に向上する。 解釈結果の有効性を保証するためには,高性能モデルが必要である。 IDP-PGFEの解釈可能性の研究は、J-TEXT破壊の理解を与え、一般に既存の破壊の理解と一致する。 IDP-PGFE は J-TEXT 上の密度限界実験に向けて連続的に密度を増大させることにより破壊に応用されている。 PGFEの特徴の時間進化は、ECRHの応用によって放射線による破壊が引き起こされ、破壊時の密度が低下することを示す。 RMPの適用は確かにJ-TEXTの密度限界を上昇させる。 この解釈可能性の研究は、RMPがMHD不安定性だけでなく、密度限界破壊を遅らせる放射プロファイルにも影響を及ぼす密度限界破壊の物理的メカニズムの直観を導く。

関連論文リスト

• Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
  Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。 本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:27:07Z)
• Predictive Control and Regret Analysis of Non-Stationary MDP with Look-ahead Information [11.679770353558041]
  本研究では,非定常型MDPにおいて,ルックアヘッド予測を組み込むことで,低い後悔度を実現するアルゴリズムを提案する。 我々の理論的分析は、ある仮定の下では、ルックアヘッドウィンドウが拡大するにつれて、後悔は指数関数的に減少することを示している。 非定常環境におけるアルゴリズムの有効性を確認するため,シミュレーションにより本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-09-13T00:01:58Z)
• Addressing Prediction Delays in Time Series Forecasting: A Continuous GRU Approach with Derivative Regularization [27.047129496488292]
  地中構造観測を成功させる予測は、MSEが低いとしても実用的には意味がない。 本稿では,ニューラル常微分方程式(NODE)に基づく連続時間ゲートリカレントユニット(GRU)を導入する。 我々の手法は、MSE、動的時間ワープ(DTW)、時間歪み指数(TDI)などの指標で優れています。
  論文  参考訳（メタデータ） (2024-06-29T05:36:04Z)
• Towards Understanding the Robustness of Diffusion-Based Purification: A Stochastic Perspective [65.10019978876863]
  拡散性浄化(DBP)は、敵の攻撃に対する効果的な防御機構として出現している。 本稿では、DBPプロセスの本質が、その堅牢性の主要な要因であると主張している。
  論文  参考訳（メタデータ） (2024-04-22T16:10:38Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• A peridynamic-informed deep learning model for brittle damage prediction [0.0]
  熱力学的(PD)理論をPINNと組み合わせた新しい手法を提案し, 脆性材料における準静的損傷とき裂伝播を予測する。 提案したPD-INNは、異なる幾何学的パラメータに関連する複雑な変位パターンを学習し、捉えることができる。
  論文  参考訳（メタデータ） (2023-10-02T17:12:20Z)
• Cross-tokamak Disruption Prediction based on Physics-Guided Feature Extraction and domain adaptation [3.0854960284180133]
  本稿では,数回の放電だけで将来のトカマクの破壊を予測できる新しい手法を実証する。 最初のステップは、物理の既存の理解を利用して、各トカマクの診断信号から物理誘導された特徴を抽出することである。 第2のステップは、将来のトカマクからのデータと、既存のトカマクからの大量のデータを調整することだ。
  論文  参考訳（メタデータ） (2023-09-11T10:13:30Z)
• Feature Perturbation Augmentation for Reliable Evaluation of Importance Estimators in Neural Networks [5.439020425819001]
  ポストホック解釈可能性法は、ディープニューラルネットワークの内部動作をより解釈可能にしようとする。 最も一般的な評価フレームワークの1つは、解釈可能性メソッドによって重要とみなされる機能を摂動させることである。 モデルトレーニング中に摂動画像を生成し,付加する特徴摂動増強(FPA)を提案する。
  論文  参考訳（メタデータ） (2023-03-02T19:05:46Z)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)
• Variance Minimization in the Wasserstein Space for Invariant Causal Prediction [72.13445677280792]
  そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。 これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。 我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2021-10-13T22:30:47Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)

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。