論文の概要: Cross-tokamak Disruption Prediction based on Physics-Guided Feature Extraction and domain adaptation

• arxiv url: http://arxiv.org/abs/2309.05361v2
• Date: Wed, 1 Nov 2023 09:18:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-02 17:05:23.349314
• Title: Cross-tokamak Disruption Prediction based on Physics-Guided Feature Extraction and domain adaptation
• Title（参考訳）: 物理誘導特徴抽出と領域適応に基づくクロストカマク崩壊予測
• Authors: Chengshuo Shen, Wei Zheng, Bihao Guo, Yonghua Ding, Dalong Chen, Xinkun Ai, Fengming Xue, Yu Zhong, Nengchao Wang, Biao Shen, Binjia Xiao, Zhongyong Chen, Yuan Pan and J-TEXT team
• Abstract要約: 本稿では,数回の放電だけで将来のトカマクの破壊を予測できる新しい手法を実証する。 最初のステップは、物理の既存の理解を利用して、各トカマクの診断信号から物理誘導された特徴を抽出することである。 第2のステップは、将来のトカマクからのデータと、既存のトカマクからの大量のデータを調整することだ。
• 参考スコア（独自算出の注目度）: 3.0854960284180133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The high acquisition cost and the significant demand for disruptive discharges for data-driven disruption prediction models in future tokamaks pose an inherent contradiction in disruption prediction research. In this paper, we demonstrated a novel approach to predict disruption in a future tokamak using only a few discharges. The first step is to use the existing understanding of physics to extract physics-guided features from the diagnostic signals of each tokamak, called physics-guided feature extraction (PGFE). The second step is to align a few data from the future tokamak (target domain) and a large amount of data from existing tokamak (source domain) based on a domain adaptation algorithm called CORrelation ALignment (CORAL). It is the first attempt at applying domain adaptation in the task of disruption prediction. PGFE has been successfully applied in J-TEXT to predict disruption with excellent performance. PGFE can also reduce the data volume requirements due to extracting the less device-specific features, thereby establishing a solid foundation for cross-tokamak disruption prediction. We have further improved CORAL (supervised CORAL, S-CORAL) to enhance its appropriateness in feature alignment for the disruption prediction task. To simulate the existing and future tokamak case, we selected J-TEXT as the existing tokamak and EAST as the future tokamak, which has a large gap in the ranges of plasma parameters. The utilization of the S-CORAL improves the disruption prediction performance on future tokamak. Through interpretable analysis, we discovered that the learned knowledge of the disruption prediction model through this approach exhibits more similarities to the model trained on large data volumes of future tokamak.
• Abstract（参考訳）: 将来のトカマクにおけるデータ駆動破壊予測モデルに対する高い獲得コストと大きなディスラプティブ放電需要は、ディスラプション予測研究に固有の矛盾をもたらす。 本稿では,数回の放電だけで将来のトカマクの破壊を予測できる新しい手法を実証した。 最初のステップは、物理誘導特徴抽出(PGFE)と呼ばれる各トカマクの診断信号から物理誘導特徴を抽出するために、物理の既存の理解を利用することである。 第2のステップは、将来のトカマク(ターゲットドメイン)からのデータと、CORrelation ALignment(CORAL)と呼ばれるドメイン適応アルゴリズムに基づいて、既存のトカマク(ソースドメイン)からの大量のデータを調整することだ。 これはディスラプション予測のタスクにドメイン適応を適用する最初の試みである。 PGFEは、優れた性能で破壊を予測するためにJ-TEXTでうまく適用されている。 pgfeはまた、デバイス固有の特徴の少ない抽出によるデータボリューム要求を低減し、クロストカマク崩壊予測のための確固たる基盤を確立することができる。 我々はさらに、破壊予測タスクにおける特徴アライメントの適切性を高めるために、CORAL(教師付きCORAL, S-CORAL)を改善した。 既存のトカマクの場合と将来のトカマクの場合をシミュレートするために、j-textを既存のトカマクとして、東を将来のトカマクとして、プラズマパラメータの範囲に大きなギャップを持つトカマクを選んだ。 S-CORALの利用により、将来のトカマクの破壊予測性能が向上する。 解釈可能な解析により, 破壊予測モデルの学習知識は, 将来のトカマクの大規模データ量に基づいて訓練されたモデルとより類似していることがわかった。

関連論文リスト

• Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
  本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。 提案手法は,重要な事象を特定するために将来的なデータを解析する検出モデルと,これらの事象を現在のデータに基づいて予測する予測モデルである。 予測モデルと検出モデルの間に不一致が発生した場合、予測モデルはより実質的な更新を行う。
  論文  参考訳（メタデータ） (2024-10-19T21:22:55Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Fusion of Movement and Naive Predictions for Point Forecasting in Univariate Random Walks [6.935130578959931]
  方法はランダムウォークの変種定義から導かれ、将来の値に対するランダムなエラー項は、方向記号で乗算された正のランダムなエラーとして表現される。 0.55のような中程度の運動予測精度で、ナイーブ予測を確実に上回る。 正確な点予測が難しいが、正確な運動予測が可能である場合、特に有利である。
  論文  参考訳（メタデータ） (2024-06-20T16:32:18Z)
• GVFs in the Real World: Making Predictions Online for Water Treatment [23.651798878534635]
  実際の飲料水処理プラントにおける強化学習に基づく予測手法の適用について検討する。 まず、このデータセットを説明し、季節性、非定常性、部分観測可能性といった課題を強調します。 オンラインで学習するTDエージェントに対してオンライン更新を行わずに、純粋にオフラインで訓練されたTDエージェントを比較して、デプロイメントにおける学習の重要性を示す。
  論文  参考訳（メタデータ） (2023-12-04T04:49:10Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Transferable Cross-Tokamak Disruption Prediction with Deep Hybrid Neural Network Feature Extractor [4.736144727269566]
  将来のトカマクは、高性能放電における破壊をほとんど許容できない。 1つのトカマクで訓練された破壊予測モデルを他のトカマクに転送できる機械学習手法が必要である。
  論文  参考訳（メタデータ） (2022-08-20T03:29:10Z)
• Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient for Out-of-Distribution Generalization [52.7137956951533]
  既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。 本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。 自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
  論文  参考訳（メタデータ） (2022-02-14T16:42:16Z)
• Scenario adaptive disruption prediction study for next generation burning-plasma tokamaks [0.0]
  次世代高性能トカマク(HP)は、高電流および電力の未緩和破壊によるリスク損傷を発生させる。 トカマクの運用体制が、訓練された破壊予測器のパワーにどのように影響するかを実証する。
  論文  参考訳（メタデータ） (2021-09-18T15:48:02Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Learning Output Embeddings in Structured Prediction [73.99064151691597]
  構造化予測に対する強力で柔軟なアプローチは、予測される構造化対象を潜在的に無限次元の特徴空間に埋め込むことである。 原空間における予測は、前像問題の解法により計算される。 本研究では,新しい特徴空間に出力埋め込みと回帰関数の有限近似を共同で学習することを提案する。
  論文  参考訳（メタデータ） (2020-07-29T09:32:53Z)

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。