論文の概要: Machine learning-accelerated chemistry modeling of protoplanetary disks

• arxiv url: http://arxiv.org/abs/2209.13336v1
• Date: Tue, 27 Sep 2022 12:42:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 16:51:40.765798
• Title: Machine learning-accelerated chemistry modeling of protoplanetary disks
• Title（参考訳）: 機械学習による原始惑星円盤の化学モデリング
• Authors: Grigorii V. Smirnov-Pinchukov, Tamara Molyarova, Dmitry A. Semenov, Vitaly V. Akimkin, Sierk van Terwisga, Riccardo Francheschi, Thomas Henning
• Abstract要約: 我々は、熱化学モデリングコードを用いて、原始惑星系円盤模型の多様な個体群を生成する。 我々は、他のディスクモデルの化学を瞬時に予測するために、K-アネレスト近傍の回帰器を訓練した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aims. With the large amount of molecular emission data from (sub)millimeter observatories and incoming James Webb Space Telescope infrared spectroscopy, access to fast forward models of the chemical composition of protoplanetary disks is of paramount importance. Methods. We used a thermo-chemical modeling code to generate a diverse population of protoplanetary disk models. We trained a K-nearest neighbors (KNN) regressor to instantly predict the chemistry of other disk models. Results. We show that it is possible to accurately reproduce chemistry using just a small subset of physical conditions, thanks to correlations between the local physical conditions in adopted protoplanetary disk models. We discuss the uncertainties and limitations of this method. Conclusions. The proposed method can be used for Bayesian fitting of the line emission data to retrieve disk properties from observations. We present a pipeline for reproducing the same approach on other disk chemical model sets.
• Abstract（参考訳）: 狙いだ サブミリ波観測所やジェームズ・ウェッブ宇宙望遠鏡からの大量の分子放出データにより、原始惑星系円盤の化学組成の高速前方モデルへのアクセスが極めて重要である。 メソッド。 熱化学モデリングコードを用いて、原始惑星系円盤モデルの多様な個体群を生成する。 k-nearest neighbors (knn)レグレッサーを訓練し、他のディスクモデルの化学を即座に予測した。 結果だ 原始惑星系円盤モデルにおける局所的な物理状態の相関により, 物理条件のごく一部だけを用いて化学を正確に再現できることが示唆された。 本手法の不確かさと限界について論じる。 結論だ 提案手法は観測データからディスク特性を取得するために線放出データのベイズフィッティングに使用できる。 本稿では,同じアプローチを他のディスク化学モデルで再現するパイプラインを提案する。

関連論文リスト

• Disentangling CO Chemistry in a Protoplanetary Disk Using Explanatory Machine Learning Techniques [0.0]
  原始惑星系円盤の分子量は、局所的な物理的条件に非常に敏感である。 機械学習を用いてこれらの化学および物理的相互依存を理解するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-08T18:59:22Z)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• Applications of Gaussian Processes at Extreme Lengthscales: From Molecules to Black Holes [4.18804572788063]
  この論文は、ケイファート銀河のマカリアン335からの潜伏放出のサインを推論するためにGPモデリングを使用することを目的としている。 第2の貢献はGPフレームワークを分子および化学反応表現に拡張し、このフレームワークを科学者が使えるようにするためのオープンソースソフトウェアライブラリを提供することである。 第4の貢献は、アレタリック不確実性をモデル化し、本質的なロバスト性を有する材料成分の大規模製造プロセスへの同定を容易にするベイズ最適化スキームの導入である。
  論文  参考訳（メタデータ） (2023-03-24T22:20:14Z)
• Generative structured normalizing flow Gaussian processes applied to spectroscopic data [4.0773490083614075]
  物理科学では、限られた訓練データは将来の観測データを適切に特徴づけることができない。 特に外挿を依頼される場合、モデルが不確実性を適切に示すことは重要である。 火星探査機キュリオシティに搭載されたChemCam装置のレーザ誘起分解分光データに関する方法論を実証した。
  論文  参考訳（メタデータ） (2022-12-14T23:57:46Z)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• Local manifold learning and its link to domain-based physics knowledge [53.15471241298841]
  多くの反応系では、熱化学状態空間は低次元多様体(LDM)に近く進化すると仮定される。 局所的データクラスタ(ローカルPCA)に適用されたPCAは,熱化学状態空間の固有パラメータ化を検出することができることを示す。
  論文  参考訳（メタデータ） (2022-07-01T09:06:25Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• Learning black- and gray-box chemotactic PDEs/closures from agent based Monte Carlo simulation data [0.6882042556551611]
  マクロな運動的部分微分方程式(PDE)をデータ駆動で発見するための機械学習フレームワークを提案する。 微細で詳細なハイブリッド(連続-モンテカルロ)シミュレーションモデルは、基礎となる生物物理学を具現化している。 我々は,機械学習回帰器を用いて,粗い「ケラー・セゲル類」ケモティックPDEを学習する。
  論文  参考訳（メタデータ） (2022-05-26T03:02:49Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
  固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。 1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。 ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
  論文  参考訳（メタデータ） (2021-05-27T18:00:02Z)
• Using Restricted Boltzmann Machines to Model Molecular Geometries [0.0]
  本稿では,ボルツマンマシンの高速学習能力と表現力を利用して,物理パラメータ群をモデル化するための新しい手法を提案する。 本稿では,Tanhアクティベーション機能に基づく新しいRBMについて紹介し,異なるアクティベーション機能を有するRBMの比較を行う。 我々は、水やエタンなどの小さな分子をモデル化するガウスRBMの能力を示す。
  論文  参考訳（メタデータ） (2020-12-13T07:02:32Z)

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。