論文の概要: Dynamic Mode Decomposition for data-driven analysis and reduced-order
modelling of ExB plasmas: I. Extraction of spatiotemporally coherent patterns
- arxiv url: http://arxiv.org/abs/2308.13726v1
- Date: Sat, 26 Aug 2023 01:37:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 19:40:13.394790
- Title: Dynamic Mode Decomposition for data-driven analysis and reduced-order
modelling of ExB plasmas: I. Extraction of spatiotemporally coherent patterns
- Title（参考訳）: データ駆動解析とExBプラズマの低次モデリングのための動的モード分解:I. 時空間コヒーレントパターンの抽出
- Authors: Farbod Faraji, Maryam Reza, Aaron Knoll, J. Nathan Kutz
- Abstract要約: データ駆動解析とプラズマ力学の低次モデリングのための動的モード分解(DMD)アルゴリズムの一般性を評価する。
- 参考スコア（独自算出の注目度）: 3.203036813451742
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this two-part article, we evaluate the utility and the generalizability of
the Dynamic Mode Decomposition (DMD) algorithm for data-driven analysis and
reduced-order modelling of plasma dynamics in cross-field ExB configurations.
The DMD algorithm is an interpretable data-driven method that finds a best-fit
linear model describing the time evolution of spatiotemporally coherent
structures (patterns) in data. We have applied the DMD to extensive
high-fidelity datasets generated using a particle-in-cell (PIC) code based on a
cost-efficient reduced-order PIC scheme. In this part, we first provide an
overview of the concept of DMD and its underpinning Proper Orthogonal and
Singular Value Decomposition methods. Two of the main DMD variants are next
introduced. We then present and discuss the results of the DMD application in
terms of the identification and extraction of the dominant spatiotemporal modes
from high-fidelity data over a range of simulation conditions. We demonstrate
that the DMD variant based on variable projection optimization (OPT-DMD)
outperforms the basic DMD method in identification of the modes underlying the
data, leading to notably more reliable reconstruction of the ground-truth.
Furthermore, we show in multiple test cases that the discrete frequency
spectrum of OPT-DMD-extracted modes is consistent with the temporal spectrum
from the Fast Fourier Transform of the data. This observation implies that the
OPT-DMD augments the conventional spectral analyses by being able to uniquely
reveal the spatial structure of the dominant modes in the frequency spectra,
thus, yielding more accessible, comprehensive information on the spatiotemporal
characteristics of the plasma phenomena.
- Abstract（参考訳）: 本稿では,データ駆動解析のための動的モード分解 (dmd) アルゴリズムの有用性と一般化性について検討し, クロスフィールドexb構成におけるプラズマダイナミクスの低次モデリングについて述べる。
dmdアルゴリズムは解釈可能なデータ駆動方式であり、データ内の時空間的コヒーレント構造(パターン)の時間発展を記述する最も適した線形モデルを見つける。
我々はDMDを、コスト効率の低いPIC方式に基づいて、PIC符号を用いて生成された広範囲な高忠実度データセットに適用した。
本稿ではまず,DMDの概念とその基盤となる固有直交値と特異値の分解法について概説する。
次に2種類のDMDが導入された。
そこで本研究では, シミュレーション条件の範囲内での高忠実度データから支配的時空間モードの同定と抽出の観点から, DMD適用結果について述べる。
変動予測最適化(OPT-DMD)に基づくDMD変種は,データに基づくモードの同定において基本的DMD法よりも優れており,より信頼性の高い地下構造復元を実現することが実証された。
また、複数のテストケースにおいて、オプトdmd抽出モードの離散周波数スペクトルがデータの高速フーリエ変換からの時間スペクトルと一致していることが示されている。
この観察により、OPT-DMDは、周波数スペクトルにおける支配モードの空間構造を一意に明らかにすることにより、従来のスペクトル分析を強化し、プラズマ現象の時空間特性についてよりアクセスしやすく包括的な情報を得られることが示唆された。
関連論文リスト
- Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - Dynamic Mode Decomposition for data-driven analysis and reduced-order
modelling of ExB plasmas: II. dynamics forecasting [3.203036813451742]
最適化動的モード分解(OPT-DMD)と呼ばれる変数予測最適化に基づく動的モード分解(DMD)アルゴリズムの変種を開発する。
我々は、OPT-DMDの適用範囲を拡張し、このアルゴリズムからプラズマ力学の時間予測への線形ROMの能力について検討する。
OPT-DMDは、全てのプラズマ条件に対する一般適用性に限界があるにもかかわらず、計算コストの低いデータ駆動の低次モデルを開発するための信頼性の高い方法として証明されている。
論文 参考訳（メタデータ） (2023-08-26T01:48:29Z) - A Geometric Perspective on Diffusion Models [60.69328526215776]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングを検証し,そのサンプリングダイナミクスの興味深い構造を明らかにした。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Bagging, optimized dynamic mode decomposition (BOP-DMD) for robust,
stable forecasting with spatial and temporal uncertainty-quantification [2.741266294612776]
動的モード分解(DMD)は、時間的または時間的データのスナップショット上で、最適な線形力学モデルを学習するためのフレームワークを提供する。
DMDアルゴリズムの大多数は、力学のノイズ測定によるバイアスエラーを起こしやすいため、モデル適合性の低下と不安定な予測能力に繋がる。
最適化されたMDDアルゴリズムは、変数予測最適化によりモデルバイアスを最小限に抑え、安定化された予測能力をもたらす。
論文 参考訳（メタデータ） (2021-07-22T18:14:20Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳（メタデータ） (2021-04-28T22:14:25Z) - Discriminant Dynamic Mode Decomposition for Labeled Spatio-Temporal Data
Collections [16.69145658813375]
ラベル付き時間データコレクションからコヒーレントパターンを抽出する新しい方法を提案する。
このようなパターン抽出を動的モード分解に識別解析を組み込むことで実現します。
合成データセットといくつかの実世界データセットを用いた手法を例示する。
論文 参考訳（メタデータ） (2021-02-19T15:12:59Z) - Diffusion State Distances: Multitemporal Analysis, Fast Algorithms, and
Applications to Biological Networks [5.398990860654113]
本稿では拡散状態距離(DSD)と呼ばれるデータ依存計量を開発し解析する。
関連する拡散法とは異なり、DSDは時間スケールにまたがる情報を取り入れており、本質的なデータ構造をパラメータフリーで推論することができる。
また, DSDによるデノゲーションと次元低減のための新しいアルゴリズムを提案し, 解析した。
論文 参考訳（メタデータ） (2020-03-07T17:43:34Z)
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。