論文の概要: ESPNN: Deep Neural Network on the IAEA stopping power database. Atomic
targets
- arxiv url: http://arxiv.org/abs/2210.10950v1
- Date: Thu, 20 Oct 2022 01:44:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 16:01:44.759858
- Title: ESPNN: Deep Neural Network on the IAEA stopping power database. Atomic
targets
- Title(参考訳): ESPNN: IAEAの停止電力データベース上のディープニューラルネットワーク。
原子標的
- Authors: F. Bivort Haiek, A.M.P. Mendez, C.C. Montanari, and D.M. Mitnik
- Abstract要約: この研究は、2021年のIAEAデータベースに機械学習アルゴリズムを導入し、正確な電子停止電力断面積を予測することを目的としている。
教師なしの機械学習手法を用いて、データベースを自動でクリーニングする。
残りのデータの大部分はディープニューラルネットワークのトレーニングに使用され、残りの部分は別々に設定され、テストセットを構成する。
- 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: The International Atomic Energy Agency (IAEA) stopping power database is a
highly valued public resource compiling most of the experimental measurements
published over nearly a century. The database -- accessible to the global
scientific community -- is continuously updated and has been extensively
employed in theoretical and experimental research for more than thirty years.
This work aims to employ machine learning algorithms on the 2021 IAEA database
to predict accurate electronic stopping power cross sections for any ion and
target combination in a wide range of incident energies. Unsupervised machine
learning methods are applied to clean the database in an automated manner.
These techniques purge the data by removing suspicious outliers and old
isolated values. A large portion of the remaining data is used to train a deep
neural network, while the rest is set aside, constituting the test set. The
present work considers collisional systems only with atomic targets. The first
version of the electronic stopping power neural network code (espnn), openly
available to users, is shown to yield predicted values in excellent agreement
with the experimental results of the test set.
- Abstract(参考訳): 国際原子力機関(IAEA、International Atomic Energy Agency)は、およそ1世紀にわたって公表された実験的な測定のほとんどをまとめた、非常に価値の高い公共資源である。
このデータベースは、世界科学コミュニティがアクセス可能なもので、継続的に更新され、理論および実験研究に30年以上にわたって広く使われてきた。
この研究は、2021年のIAEAデータベースに機械学習アルゴリズムを用いて、あらゆるイオンとターゲットの組み合わせの正確な停止電力断面積を予測することを目的としている。
教師なしの機械学習手法を適用してデータベースを自動的にクリーンにする。
これらのテクニックは、不審な外れ値と古い孤立値を取り除くことでデータをパージする。
残りのデータの大部分はディープニューラルネットワークのトレーニングに使用され、残りの部分は別々に設定され、テストセットを構成する。
本研究は原子標的のみの衝突系を考察する。
電子停止パワーニューラルネットワークコード(espnn)の最初のバージョンは、ユーザに公開されており、テストセットの実験結果とよく一致して予測値が得られる。
関連論文リスト
- A Novel Neural Network-Based Federated Learning System for Imbalanced
and Non-IID Data [2.9642661320713555]
ほとんどの機械学習アルゴリズムは、様々なソースから収集される大量のデータに大きく依存している。
この問題に対処するため、研究者らはフェデレーション学習を導入し、クライアントデータのプライバシーを確保することによって予測モデルを学習した。
本研究では,ニューラルネットワークに基づくフェデレーション学習システムを提案する。
論文 参考訳(メタデータ) (2023-11-16T17:14:07Z) - Network Anomaly Detection Using Federated Learning [0.483420384410068]
我々は、効率的なネットワーク異常検出を可能にする堅牢でスケーラブルなフレームワークを導入する。
複数の参加者が共同でグローバルモデルをトレーニングするフェデレーション学習を活用します。
提案手法はUNSW-NB15データセットのベースライン機械学習手法よりも優れている。
論文 参考訳(メタデータ) (2023-03-13T20:16:30Z) - Deep comparisons of Neural Networks from the EEGNet family [0.0]
我々は、BCIコンペティション42aデータセットの隣の多くの主題を持つオープンアクセスデータベースを用いて、よく知られた5つのニューラルネットワーク(Shallow ConvNet、Deep ConvNet、EEGNet、EEGNet、EEGNet Fusion、MI-EEGNet)を比較した。
当社のメトリクスによると、研究者はShallow ConvNetやDeep ConvNetを避けてはならない。
論文 参考訳(メタデータ) (2023-02-17T10:39:09Z) - Hybrid AI-based Anomaly Detection Model using Phasor Measurement Unit
Data [0.41998444721319217]
ファサー計測装置(PMU)を用いて電力システムを監視することは、将来有望な技術の一つである。
サイバー物理的相互作用の増加は、利点と欠点の両方をもたらし、そこでは、測定データの異常の形で欠点の1つが生まれる。
本稿では,PMUデータにおける異常検出の様々な手法に基づくハイブリッドAIベースモデルを開発することを目的とする。
論文 参考訳(メタデータ) (2022-09-21T11:22:01Z) - Deep Reinforcement Learning Assisted Federated Learning Algorithm for
Data Management of IIoT [82.33080550378068]
産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。
IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。
本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
論文 参考訳(メタデータ) (2022-02-03T07:12:36Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳(メタデータ) (2021-04-11T12:14:04Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳(メタデータ) (2021-02-25T14:24:49Z) - EagerNet: Early Predictions of Neural Networks for Computationally
Efficient Intrusion Detection [2.223733768286313]
最小限のリソースでネットワーク攻撃を検出するアーキテクチャを提案する。
アーキテクチャはバイナリまたはマルチクラスの分類問題に対処でき、ネットワークの精度を予測速度と交換できる。
論文 参考訳(メタデータ) (2020-07-27T11:31:37Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z) - Firearm Detection and Segmentation Using an Ensemble of Semantic Neural
Networks [62.997667081978825]
本稿では,意味的畳み込みニューラルネットワークのアンサンブルに基づく兵器検出システムを提案する。
特定のタスクに特化した単純なニューラルネットワークのセットは、計算リソースを少なくし、並列にトレーニングすることができる。
個々のネットワークの出力の集約によって与えられるシステムの全体的な出力は、ユーザが偽陽性と偽陰性とをトレードオフするように調整することができる。
論文 参考訳(メタデータ) (2020-02-11T13:58:16Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳(メタデータ) (2020-01-13T04:41:54Z)
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。