論文の概要: Physics-driven machine learning for the prediction of coronal mass
ejections' travel times
- arxiv url: http://arxiv.org/abs/2305.10057v1
- Date: Wed, 17 May 2023 08:53:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 16:45:16.446551
- Title: Physics-driven machine learning for the prediction of coronal mass
ejections' travel times
- Title(参考訳): 物理駆動型機械学習によるコロナ質量放出の走行時間予測
- Authors: Sabrina Guastavino, Valentina Candiani, Alessandro Bemporad, Francesco
Marchetti, Federico Benvenuto, Anna Maria Massone, Roberto Susino, Daniele
Telloni, Silvano Fineschi, Michele Piana
- Abstract要約: コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。
CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。
本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
- 参考スコア(独自算出の注目度): 46.58747894238344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coronal Mass Ejections (CMEs) correspond to dramatic expulsions of plasma and
magnetic field from the solar corona into the heliosphere. CMEs are
scientifically relevant because they are involved in the physical mechanisms
characterizing the active Sun. However, more recently CMEs have attracted
attention for their impact on space weather, as they are correlated to
geomagnetic storms and may induce the generation of Solar Energetic Particles
streams. In this space weather framework, the present paper introduces a
physics-driven artificial intelligence (AI) approach to the prediction of CMEs
travel time, in which the deterministic drag-based model is exploited to
improve the training phase of a cascade of two neural networks fed with both
remote sensing and in-situ data. This study shows that the use of physical
information in the AI architecture significantly improves both the accuracy and
the robustness of the travel time prediction.
- Abstract(参考訳): コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。
CMEは、活動的な太陽を特徴づける物理的メカニズムに関与しているため、科学的に関係がある。
しかし、近年のCMEは、地磁気嵐と相関し、太陽エネルギー粒子の流れを発生させるため、宇宙気象への影響について注目されている。
本稿では,CMEの走行時間を予測するための物理駆動型人工知能(AI)アプローチを提案する。このモデルを用いて,リモートセンシングとインサイトデータの両方で入力された2つのニューラルネットワークのカスケードのトレーニングフェーズを改善する。
本研究では,aiアーキテクチャにおける物理情報の利用により,移動時間予測の正確性とロバスト性が大幅に向上することを示す。
関連論文リスト
- Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable
Machine Learning [38.321248253111776]
我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。
データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
論文 参考訳(メタデータ) (2024-03-04T23:12:17Z) - Physics-Enhanced TinyML for Real-Time Detection of Ground Magnetic
Anomalies [0.0]
地磁気障害(GMD)のような宇宙の気象現象は、重要な技術基盤に重大なリスクをもたらす。
本稿では、上記の課題に対処する物理誘導型TinyMLフレームワークを開発する。
モデルトレーニングと圧縮の段階で物理ベースの正規化を統合し、予測の信頼性を高める。
論文 参考訳(メタデータ) (2023-11-19T23:20:16Z) - Predicting the Geoeffectiveness of CMEs Using Machine Learning [0.0]
この研究は、ホワイトライトコロナグラフデータセットに基づいてトレーニングされたさまざまな機械学習手法の実験に焦点を当てている。
我々は、ロジスティック回帰、K-Nearest Neighbors、Support Vector Machines、フォワード人工ニューラルネットワーク、およびアンサンブルモデルを用いたバイナリ分類モデルを開発する。
このタスクの主な課題、すなわち、我々のデータセットにおけるジオエフェクトイベントの数と非エフェクトイベントの数の間の極端な不均衡について論じる。
論文 参考訳(メタデータ) (2022-06-23T03:56:22Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - 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) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - 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) - Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。
3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。
結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
論文 参考訳(メタデータ) (2020-07-09T01:45:06Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳(メタデータ) (2020-05-27T13:32:10Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳(メタデータ) (2020-03-13T04:35:50Z)
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。