論文の概要: Classification of Orbits in Poincar\'e Maps using Machine Learning
- arxiv url: http://arxiv.org/abs/2305.13329v1
- Date: Thu, 18 May 2023 03:17:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-28 05:12:38.443869
- Title: Classification of Orbits in Poincar\'e Maps using Machine Learning
- Title（参考訳）: 機械学習を用いたPoincar\eマップの軌道の分類
- Authors: Chandrika Kamath
- Abstract要約: ポインカープロットはプラズマ物理学者によってトカマクの数値シミュレーションにおいて磁場に閉じ込められたプラズマの挙動を理解するために用いられる。
プロットは複数の軌道で構成され、それぞれがトーラスの周りを回る異なるフィールド線によって生成される。
本稿では,この問題の解決における2つの大きな課題を克服する方法について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Poincar\'e plots, also called Poincar\'e maps, are used by plasma physicists
to understand the behavior of magnetically confined plasma in numerical
simulations of a tokamak. These plots are created by the intersection of field
lines with a two-dimensional poloidal plane that is perpendicular to the axis
of the torus representing the tokamak. A plot is composed of multiple orbits,
each created by a different field line as it goes around the torus. Each orbit
can have one of four distinct shapes, or classes, that indicate changes in the
topology of the magnetic fields confining the plasma. Given the (x,y)
coordinates of the points that form an orbit, the analysis task is to assign a
class to the orbit, a task that appears ideally suited for a machine learning
approach. In this paper, we describe how we overcame two major challenges in
solving this problem - creating a high-quality training set, with few
mislabeled orbits, and converting the coordinates of the points into features
that are discriminating, despite the variation within the orbits of a class and
the apparent similarities between orbits of different classes. Our automated
approach is not only more objective and accurate than visual classification,
but is also less tedious, making it easier for plasma physicists to analyze the
topology of magnetic fields from numerical simulations of the tokamak.
- Abstract（参考訳）: Poincar\'eプロット(Poincar\'e map)はプラズマ物理学者によってトカマクの数値シミュレーションにおいて磁場に閉じ込められたプラズマの挙動を理解するために用いられる。
これらのプロットは、トカマクを表すトーラスの軸に垂直な2次元の水球面とのフィールド線の交差によって生成される。
プロットは複数の軌道で構成され、それぞれがトーラスの周りを回る異なるフィールド線によって生成される。
各軌道は、プラズマを構成する磁場のトポロジーの変化を示す4つの異なる形状の1つまたはクラスを持つことができる。
軌道を形成する点の(x,y)座標が与えられたとき、分析タスクは、クラスを軌道に割り当てることである。
本稿では,この問題を解決する上での2つの大きな課題を克服する方法について述べる。すなわち,誤ったラベルのついた軌道をほとんど持たない高品質なトレーニングセットの作成と,クラスの軌道内の変化や異なるクラスの軌道間の明らかな類似性にもかかわらず,点の座標を識別する特徴に変換する。
我々の自動的アプローチは、視覚的分類よりも客観的で正確であるだけでなく、退屈ではないため、プラズマ物理学者はトカマクの数値シミュレーションから磁場のトポロジーを解析しやすくなる。
関連論文リスト
- Reconstructing the Geometry of Random Geometric Graphs [9.004991291124096]
ランダム幾何学グラフは、距離空間上で定義されたランダムグラフモデルである。
サンプルグラフから基底空間の幾何を効率的に再構成する方法を示す。
論文 参考訳（メタデータ） (2024-02-14T21:34:44Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳（メタデータ） (2023-11-29T12:48:33Z) - Alignment and Outer Shell Isotropy for Hyperbolic Graph Contrastive
Learning [69.6810940330906]
高品質なグラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。
具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。
双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
論文 参考訳（メタデータ） (2023-10-27T15:31:42Z) - Asteroids co-orbital motion classification based on Machine Learning [0.0]
我々は、JPLホライズンズ系の実際の小惑星の自転を捉え、惑星との平均運動共鳴における4つの異なる動きについて考察する。
変数テータの時系列は、その問題に対してアドホックを定義したデータ解析パイプラインを用いて研究される。
我々は,アルゴリズムが時系列を高い性能で正確に識別し,分類する方法を示す。
論文 参考訳（メタデータ） (2023-09-19T13:19:31Z) - Diffeomorphic Mesh Deformation via Efficient Optimal Transport for Cortical Surface Reconstruction [40.73187749820041]
メッシュ変形は、動的シミュレーション、レンダリング、再構成を含む多くの3次元視覚タスクにおいて重要な役割を果たす。
現在のディープラーニングにおける一般的なアプローチは、2つのメッシュからランダムにサンプリングされた2つの点雲とシャンファーの擬似距離を比較することで、2つの面間の差を測定するセットベースアプローチである。
本稿では,メッシュのスライスされたワッサーシュタイン距離を,セットベースアプローチを一般化する確率測度として表現したメッシュ変形の学習指標を提案する。
論文 参考訳（メタデータ） (2023-05-27T19:10:19Z) - Shape And Structure Preserving Differential Privacy [70.08490462870144]
正方形距離関数の勾配がラプラス機構よりも感度をよりよく制御できることを示す。
また,2乗距離関数の勾配を用いることで,ラプラス機構よりも感度を制御できることを示す。
論文 参考訳（メタデータ） (2022-09-21T18:14:38Z) - A singular Riemannian geometry approach to Deep Neural Networks II.
Reconstruction of 1-D equivalence classes [78.120734120667]
入力空間における出力多様体内の点の事前像を構築する。
我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
論文 参考訳（メタデータ） (2021-12-17T11:47:45Z) - Self-Point-Flow: Self-Supervised Scene Flow Estimation from Point Clouds
with Optimal Transport and Random Walk [59.87525177207915]
シーンフローを近似する2点雲間の対応性を確立するための自己教師型手法を開発した。
本手法は,自己教師付き学習手法の最先端性能を実現する。
論文 参考訳（メタデータ） (2021-05-18T03:12:42Z) - Deep regression on manifolds: a 3D rotation case study [0.0]
ユークリッド空間の任意の入力をこの多様体に写す微分可能函数は、適切な訓練を可能にするために満足すべきであることを示す。
3次元回転空間上の様々な微分可能写像と、写像の局所線型性の重要性に関する予想を比較する。
3x3行列のプロクルストーソノーマリゼーションに基づく写像は、一般的に考慮されたものの中で最良であることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:07:36Z) - Orbital MCMC [82.54438698903775]
任意の微分同相写像から周期軌道を構築するための2つの実用的なアルゴリズムを提案する。
また,両カーネルの実用的メリットを実証した実証的研究を行った。
論文 参考訳（メタデータ） (2020-10-15T22:25:52Z) - Grassmannian diffusion maps based dimension reduction and classification
for high-dimensional data [0.0]
グラスマン多様体上の点に対応する低次元部分空間として表現することで、点間の親和性を定義する新しい非線形次元減少法。
本手法は,低次元部分空間でコンパクトに表現可能な画像認識や高次元データのデータベース分類などの応用のために設計されている。
論文 参考訳（メタデータ） (2020-09-16T08:32:02Z)
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。