論文の概要: Machine learning for advancing low-temperature plasma modeling and simulation

• arxiv url: http://arxiv.org/abs/2307.00131v1
• Date: Fri, 30 Jun 2023 20:48:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 17:52:23.061432
• Title: Machine learning for advancing low-temperature plasma modeling and simulation
• Title（参考訳）: 低温プラズマモデリングとシミュレーションのための機械学習
• Authors: Jan Trieschmann, Luca Vialetto, Tobias Gergs
• Abstract要約: 我々は、低温プラズマモデリングとシミュレーションへのアプローチに焦点をあてて、現状を概観する。 我々は、プラズマ科学と技術への潜在的な進歩の展望を提供する。
• 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: Machine learning has had an enormous impact in many scientific disciplines. Also in the field of low-temperature plasma modeling and simulation it has attracted significant interest within the past years. Whereas its application should be carefully assessed in general, many aspects of plasma modeling and simulation have benefited substantially from recent developments within the field of machine learning and data-driven modeling. In this survey, we approach two main objectives: (a) We review the state-of-the-art focusing on approaches to low-temperature plasma modeling and simulation. By dividing our survey into plasma physics, plasma chemistry, plasma-surface interactions, and plasma process control, we aim to extensively discuss relevant examples from literature. (b) We provide a perspective of potential advances to plasma science and technology. We specifically elaborate on advances possibly enabled by adaptation from other scientific disciplines. We argue that not only the known unknowns, but also unknown unknowns may be discovered due to an inherent propensity to spotlight hidden patterns in data.
• Abstract（参考訳）: 機械学習は多くの科学分野に大きな影響を与えた。 また、低温プラズマモデリングとシミュレーションの分野では、過去数年間で大きな関心を集めている。 その応用は一般に慎重に評価されるべきであるが、プラズマモデリングとシミュレーションの多くの側面は、機械学習とデータ駆動モデリングの分野における最近の発展から大きな恩恵を受けている。 本調査では,2つの目的にアプローチする。 (a)低温プラズマモデリングとシミュレーションへのアプローチに焦点をあてた現状を概観する。 プラズマ物理,プラズマ化学,プラズマ-表面相互作用,プラズマプロセス制御に調査を分割することで,文献から関連する事例を広く議論することを目的とする。 b)プラズマ科学と技術における潜在的な進歩の展望を提供する。 特に、他の科学分野からの適応によって実現される可能性のある進歩について詳しく述べる。 我々は、未知の未知だけでなく、未知の未知の未知も、データ中の隠れたパターンをスポットライトする固有の正当性のために発見できると主張している。

関連論文リスト

• Machine Learning Applications to Computational Plasma Physics and Reduced-Order Plasma Modeling: A Perspective [0.0]
  このパースペクティブは、流体力学における機械学習の進歩を計算プラズマ物理学に転送するためのロードマップを概説することを目的としている。 まず、MLアルゴリズムの様々なカテゴリや、MLの助けを借りて解決できるさまざまなタイプの問題など、MLの基本的な側面について議論する。 次に,計算流体力学におけるMLの使用例について述べる。
  論文  参考訳（メタデータ） (2024-09-04T00:35:55Z)
• Application of Neural Ordinary Differential Equations for ITER Burning Plasma Dynamics [0.0]
  トカマクの燃焼プラズマのダイナミクスは、制御熱核融合の進行に不可欠である。 本研究では, ITER重水素トリチウム(D-T)プラズマの複雑なエネルギー伝達過程をシミュレートするためにNeuralPlasmaODEを導入する。
  論文  参考訳（メタデータ） (2024-08-26T16:47:20Z)
• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• Data-driven local operator finding for reduced-order modelling of plasma systems: I. Concept and verifications [2.9320342785886973]
  低次プラズマモデルでは、様々な設定や構成で効率的にプラズマの挙動を予測することができる。 この2つの記事では、"Phi Method"を紹介します。 第1部では,候補項ライブラリに制約付き回帰を用いた新しいアルゴリズムを提案する。 パートIIは、パラメトリックダイナミクス発見のためのメソッドの応用を掘り下げる。
  論文  参考訳（メタデータ） (2024-03-03T14:50:15Z)
• 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)
• Learning the dynamics of a one-dimensional plasma model with graph neural networks [0.0]
  本モデルでは, 1次元プラズマモデルの動的プラズマ力学を学習する。 本研究は, 実時間, 保存法則, キー物理量の時間的変化の観点から, 元のプラズマモデルと性能を比較した。
  論文  参考訳（メタデータ） (2023-10-26T17:58:12Z)
• Data-driven Science and Machine Learning Methods in Laser-Plasma Physics [4.893345190925178]
  近年の技術的改善により、実験とシミュレーションの両方において、より多くのデータを集めることが可能になった。 これは、数学、統計学、計算機科学の高度な技術を使って、ビッグデータに対処し、利益を得るという関心を喚起した。 本稿では,レーザープラズマ物理への適用性に着目した機械学習手法の概要を述べる。
  論文  参考訳（メタデータ） (2022-11-30T15:22:40Z)
• Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
  本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。 我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
  論文  参考訳（メタデータ） (2022-06-13T03:41:31Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)

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。