論文の概要: Acceptance Rates of Invertible Neural Networks on Electron Spectra from Near-Critical Laser-Plasmas: A Comparison

• arxiv url: http://arxiv.org/abs/2212.05836v1
• Date: Mon, 12 Dec 2022 11:44:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 18:08:21.524028
• Title: Acceptance Rates of Invertible Neural Networks on Electron Spectra from Near-Critical Laser-Plasmas: A Comparison
• Title（参考訳）: 近臨界レーザープラズマからの電子スペクトルに対する可逆ニューラルネットワークの受容速度:比較
• Authors: Thomas Miethlinger, Nico Hoffmann, Thomas Kluge
• Abstract要約: Invertible Neural Networks (INN) は、前処理と逆処理の両方を効率的にモデル化するように設計されている。 本研究では,合成電子スペクトルのINNと標準統計手法のベンチマークを行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While the interaction of ultra-intense ultra-short laser pulses with near- and overcritical plasmas cannot be directly observed, experimentally accessible quantities (observables) often only indirectly give information about the underlying plasma dynamics. Furthermore, the information provided by observables is incomplete, making the inverse problem highly ambiguous. Therefore, in order to infer plasma dynamics as well as experimental parameter, the full distribution over parameters given an observation needs to considered, requiring that models are flexible and account for the information lost in the forward process. Invertible Neural Networks (INNs) have been designed to efficiently model both the forward and inverse process, providing the full conditional posterior given a specific measurement. In this work, we benchmark INNs and standard statistical methods on synthetic electron spectra. First, we provide experimental results with respect to the acceptance rate, where our results show increases in acceptance rates up to a factor of 10. Additionally, we show that this increased acceptance rate also results in an increased speed-up for INNs to the same extent. Lastly, we propose a composite algorithm that utilizes INNs and promises low runtimes while preserving high accuracy.
• Abstract（参考訳）: 超短パルスと近接および過臨界プラズマの相互作用は直接観測できないが、実験的にアクセス可能な量(観測可能量)は、しばしば、基礎となるプラズマダイナミクスに関する情報を間接的に与えるだけである。 さらに、observablesが提供する情報は不完全であり、逆問題は非常に曖昧である。 したがって、プラズマ力学と実験パラメータを推論するためには、観測されたパラメータの完全な分布を考慮し、モデルが柔軟であり、前方プロセスで失われた情報を考慮しなければならない。 Invertible Neural Networks (INNs) は、前と逆のプロセスの両方を効率的にモデル化し、特定の測定値の完全な条件付き後部を提供するように設計されている。 本研究では,合成電子スペクトルのINNと標準統計手法のベンチマークを行う。 まず,受入率について実験を行い,受入率を最大10倍に向上させた。 さらに,この受入率の増加は,IMNのスピードアップを同じ程度に向上させることを示す。 最後に, innを活用し,高い精度を維持しつつ低ランタイムを約束する複合アルゴリズムを提案する。

関連論文リスト

• Accelerating Quantum Emitter Characterization with Latent Neural Ordinary Differential Equations [2.3547604247645046]
  ニューラル常微分方程式モデルにより、雑音相関関数の小さな部分集合から完全かつノイズのないPCFS実験を予測できることを示す。 最大200個のステージ位置の非雑音干渉計全体の外挿に使用される10個のノイズ光子相関関数を用いてこれを実証する。 本研究は, 深層学習を用いた新しい量子エミッタ材料を実験的に評価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） (2024-11-17T22:46:31Z)
• Fully Spiking Denoising Diffusion Implicit Models [61.32076130121347]
  スパイキングニューラルネットワーク(SNN)は、超高速のニューロモルフィックデバイス上で走る能力のため、かなりの注目を集めている。 本研究では,SNN内で拡散モデルを構築するために,拡散暗黙モデル (FSDDIM) を完全にスパイクする新しい手法を提案する。 提案手法は,最先端の完全スパイク生成モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-04T09:07:09Z)
• 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)
• Qubit Dynamics beyond Lindblad: Non-Markovianity versus Rotating Wave Approximation [0.0]
  量子ビットと環境自由度の間の相互作用における微妙な効果は、徐々に関連性を持ち、実験的に見えるようになる。 これは特に、量子ビット演算において最もよく用いられる数値シミュレーションプラットフォームの基礎となる時間スケールの分離に適用される。 i)これらの時間スケール分離の違反を実験的に監視できる範囲と、(ii)どれが最も深刻で高精度な予測を行うことができるかという質問に光を当てた。
  論文  参考訳（メタデータ） (2023-08-11T09:16:07Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• Diffusion Probabilistic Model Made Slim [128.2227518929644]
  軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。 一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
  論文  参考訳（メタデータ） (2022-11-27T16:27:28Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• 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)
• Physics-informed neural networks for myocardial perfusion MRI quantification [3.318100528966778]
  本研究では, 心筋灌流MR定量化のための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、基礎となる物理保存法則を尊重しながら、観測された拡散MRデータに適合するように訓練することができる。
  論文  参考訳（メタデータ） (2020-11-25T16:02:52Z)
• Learning the Ising Model with Generative Neural Networks [0.0]
  ボルツマンマシン(RBM)と変分オートエンコーダ(VAE)の表現特性について検討する。 その結果, RBM と畳み込み VAE は, 磁化, エネルギー, スピンスピン相関の温度依存性を捉えることが可能であることが示唆された。 また, VAEの畳み込み層はスピン相関をモデル化するのに重要であるのに対し, RBMは畳み込みフィルタを使わずに類似あるいはさらに優れた性能を実現する。
  論文  参考訳（メタデータ） (2020-01-15T15:04:21Z)

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。