Fugu-MT 論文翻訳(概要): Solar Wind Speed Estimate with Machine Learning Ensemble Models for LISA

論文の概要: Solar Wind Speed Estimate with Machine Learning Ensemble Models for LISA

arxiv url: http://arxiv.org/abs/2302.06740v1
Date: Mon, 13 Feb 2023 22:57:02 GMT
ステータス: 処理完了
システム内更新日: 2023-02-15 16:57:45.590821
Title: Solar Wind Speed Estimate with Machine Learning Ensemble Models for LISA
Title（参考訳）: LISAのための機械学習アンサンブルモデルによる太陽風速の推定
Authors: Federico Sabbatini and Catia Grimani
Abstract要約: 本研究では,不均一な弱回帰器で構成されるアンサンブルモデルが,予測精度において弱い回帰器より優れていることを示す。機械学習やその他の強力な予測アルゴリズムは、LISAや宇宙気象科学のような宇宙ミッションの診断の代用として動作するソフトウェアモデルに専用の機器を代用する可能性の窓を開ける。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this work we study the potentialities of machine learning models in reconstructing the solar wind speed observations gathered in the first Lagrangian point by the ACE satellite in 2016--2017 using as input data galactic cosmic-ray flux variations measured with particle detectors hosted onboard the LISA Pathfinder mission also orbiting around L1 during the same years. We show that ensemble models composed of heterogeneous weak regressors are able to outperform weak regressors in terms of predictive accuracy. Machine learning and other powerful predictive algorithms open a window on the possibility of substituting dedicated instrumentation with software models acting as surrogates for diagnostics of space missions such as LISA and space weather science.
Abstract（参考訳）: 本研究では,2016-2017年のace衛星による第1ラグランジアン地点における太陽風速観測の再構成における機械学習モデルの可能性について,同じ年にl1を周回するlisaパスファインダーミッションでホストされた粒子検出器を用いて測定した宇宙線フラックスの入力データを用いて検討した。その結果,不均質な弱回帰器からなるアンサンブルモデルでは,予測精度で弱回帰器を上回ることができることがわかった。機械学習やその他の強力な予測アルゴリズムは、LISAや宇宙気象科学のような宇宙ミッションの診断の代理として動作するソフトウェアモデルに専用の機器を置き換える可能性の窓を開く。

関連論文リスト

Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文参考訳（メタデータ） (2024-07-12T18:00:02Z)
Solar synthetic imaging: Introducing denoising diffusion probabilistic models on SDO/AIA data [0.0]
本研究では、生成的深層学習モデル、特にDenoising Diffusion Probabilistic Model (DDPM)を用いて、太陽現象の合成画像を作成することを提案する。 SDO宇宙船に搭載されたAIA機器のデータセットを利用することで、データ不足問題に対処することを目指している。 DDPMのパフォーマンスは、クラスタメトリクス、Frechet Inception Distance (FID)、F1スコアを用いて評価され、現実的な太陽画像を生成する上で有望な結果を示している。
論文参考訳（メタデータ） (2024-04-03T08:18:45Z)
Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation [48.66623377464203]
我々の新しいアプローチは、脳科学における神経可塑性の概念を活用する、ダイナミックワンフォーオール(DOFA)モデルを導入している。このダイナミックなハイパーネットワークは、異なる波長に調整され、5つのセンサーのデータに基づいて1つの多目的トランスフォーマーを共同で訓練し、12の異なる地球観測タスクを遂行することを可能にする。
論文参考訳（メタデータ） (2024-03-22T17:11:47Z)
Towards a Machine Learning-Based Approach to Predict Space Object Density Distributions [0.7652747219811166]
人工宇宙オブジェクト(ASO)を調べるための現在のモデルは、計算的に要求されている。我々は,MIT Orbital Capacity Tool(MOCAT)の拡張として,機械学習に基づく新しいモデルを提案する。深層学習に基づく解がASO伝播の優れた候補となる可能性について検討し、データの高次元性を管理する。
論文参考訳（メタデータ） (2024-01-08T19:43:30Z)
OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文参考訳（メタデータ） (2023-06-20T03:02:14Z)
A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文参考訳（メタデータ） (2023-04-14T14:40:32Z)
Predicting Solar Energetic Particles Using SDO/HMI Vector Magnetic Data Products and a Bidirectional LSTM Network [6.759687230043489]
太陽エネルギー粒子(SEP)は宇宙放射線の重要な源であり、宇宙、宇宙船、技術全般において人類にとって危険である。本研究では,活動領域(AR)がSEPイベントを発生させるかどうかを,(i)ARがM型またはX型フレアを発生し,(ii)ARがM型またはX型フレアを発生させるか,(ii)ARがCMEに関連付けられているかどうかに関わらずM型またはX型フレアを発生させるかを予測する深層学習手法を提案する。
論文参考訳（メタデータ） (2022-03-27T21:06:08Z)
Harnessing expressive capacity of Machine Learning modeling to represent complex coupling of Earth's auroral space weather regimes [0.0]
我々は,大域オーロラ粒子降水量の予測を推し進める複数の深層学習(DL)モデルを開発した。我々は、地球を周回する低軌道の電子エネルギーフラックスから観測を行い、地球上の流星を改良するモデルを開発した。特に、MLモデルは、歴史的に正確な仕様まで、極端な事象の予測を改善し、MLイノベーションによって提供される能力の増大が、宇宙天気の科学における大きな課題に対処できることを示唆している。
論文参考訳（メタデータ） (2021-11-29T22:35:09Z)
GalaxAI: Machine learning toolbox for interpretable analysis of spacecraft telemetry data [48.42042893355919]
GalaxAIは、宇宙船のテレメトリデータを分析するための汎用的な機械学習ツールボックスである。多変量時系列解析、分類、回帰、構造化出力予測に様々な機械学習アルゴリズムを使用している。本稿では,2つの異なる宇宙船に関する2つのユースケースにおいて,GalaxAIの有用性と汎用性を示す。
論文参考訳（メタデータ） (2021-08-03T10:45:20Z)
GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
論文参考訳（メタデータ） (2021-04-07T01:08:18Z)
Toward a Next Generation Particle Precipitation Model: Mesoscale Prediction Through Machine Learning (a Case Study and Framework for Progress) [0.9158190669770423]
我々は、新しい、より有能な粒子沈殿データのデータベースを作成、キュレート、分析し、利用可能にした。 PrecipNetと呼ばれるニューラルネットワークは、MLアプローチによって得られる表現力の増大を活用する。
論文参考訳（メタデータ） (2020-11-19T21:54:36Z)

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。