論文の概要: Machine learning for advancing low-temperature plasma modeling and
simulation
- arxiv url: http://arxiv.org/abs/2307.00131v2
- Date: Thu, 14 Dec 2023 21:21:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 19:22:03.028564
- 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 the inherent
propensity of data-driven methods 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、データに隠れたパターンをスポットライトするデータ駆動手法の固有の正当性から発見できると主張している。
関連論文リスト
- 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) - ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [90.97595947781426]
ContPhyは、マシン物理常識を評価するための新しいベンチマークである。
私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。
また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
論文 参考訳(メタデータ) (2024-02-09T01:09:21Z) - Plasma Surrogate Modelling using Fourier Neural Operators [58.707182482773035]
深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いたプラズマ進化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実世界の実験データから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) - Do Graph Neural Networks Dream of Landau Damping? Insights from Kinetic
Simulations of a Plasma Sheet Model [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) - A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。
時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。
本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文 参考訳(メタデータ) (2022-09-06T16:56:21Z) - 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) - Automatic Particle Trajectory Classification in Plasma Simulations [0.0]
粒子軌道空間を探索し、プラズマシミュレーションから粒子軌道を自動的に分類するための一般的なワークフローを提供する。
磁気リコネクション問題における電子軌道の分類によるワークフローの実証を行う。
本手法は,従来の文献からの既存結果の復元に成功し,基礎となるシステムに関する事前知識は得られなかった。
論文 参考訳(メタデータ) (2020-10-11T21:15:18Z) - 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。