論文の概要: Physics-Enhanced TinyML for Real-Time Detection of Ground Magnetic
Anomalies
- arxiv url: http://arxiv.org/abs/2311.11452v1
- Date: Sun, 19 Nov 2023 23:20:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-21 20:18:28.842469
- Title: Physics-Enhanced TinyML for Real-Time Detection of Ground Magnetic
Anomalies
- Title（参考訳）: 地磁気異常のリアルタイム検出のための物理強化TinyML
- Authors: Talha Siddique and MD Shaad Mahmud
- Abstract要約: 地磁気障害(GMD)のような宇宙の気象現象は、重要な技術基盤に重大なリスクをもたらす。
本稿では、上記の課題に対処する物理誘導型TinyMLフレームワークを開発する。
モデルトレーニングと圧縮の段階で物理ベースの正規化を統合し、予測の信頼性を高める。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Space weather phenomena like geomagnetic disturbances (GMDs) and
geomagnetically induced currents (GICs) pose significant risks to critical
technological infrastructure. While traditional predictive models, grounded in
simulation, hold theoretical robustness, they grapple with challenges, notably
the assimilation of imprecise data and extensive computational complexities. In
recent years, Tiny Machine Learning (TinyML) has been adopted to develop
Machine Learning (ML)-enabled magnetometer systems for predicting real-time
terrestrial magnetic perturbations as a proxy measure for GIC. While TinyML
offers efficient, real-time data processing, its intrinsic limitations prevent
the utilization of robust methods with high computational needs. This paper
developed a physics-guided TinyML framework to address the above challenges.
This framework integrates physics-based regularization at the stages of model
training and compression, thereby augmenting the reliability of predictions.
The developed pruning scheme within the framework harnesses the inherent
physical characteristics of the domain, striking a balance between model size
and robustness. The study presents empirical results, drawing a comprehensive
comparison between the accuracy and reliability of the developed framework and
its traditional counterpart. Such a comparative analysis underscores the
prospective applicability of the developed framework in conceptualizing robust,
ML-enabled magnetometer systems for real-time space weather forecasting.
- Abstract（参考訳）: 地磁気外乱(gmds)や地磁気誘導電流(gic)のような宇宙気象現象は、重要な技術基盤に重大なリスクをもたらす。
従来の予測モデルはシミュレーションに基礎を置き、理論的な堅牢性を保ちながら、特に不正確なデータと広範な計算複雑性の同化に悩まされている。
近年、Tiny Machine Learning (TinyML) が採用され、リアルタイムな地磁気摂動を予測する機械学習(ML)対応磁気センサシステムの開発が進められている。
TinyMLは効率的でリアルタイムなデータ処理を提供するが、本質的な制限は、高い計算要求を持つ堅牢なメソッドの利用を妨げる。
本稿では,これらの課題に対処する物理誘導型TinyMLフレームワークを開発した。
このフレームワークは、モデルトレーニングと圧縮の段階で物理ベースの正規化を統合し、予測の信頼性を高める。
フレームワーク内で開発されたプルーニングスキームは、ドメイン固有の物理的特性を利用し、モデルサイズとロバストさのバランスを崩す。
本研究は,開発フレームワークと従来のフレームワークの精度と信頼性を総合的に比較した経験的結果を示す。
このような比較分析は、実時間宇宙天気予報のための堅牢なml磁力計システムの概念化における、開発フレームワークの将来の適用可能性の基礎となっている。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。
運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。
結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
論文 参考訳（メタデータ） (2024-02-28T02:16:03Z) - A physics-constrained machine learning method for mapping gapless land
surface temperature [6.735896406986559]
本稿では,物理的意味と高精度なLSTを生成する物理MLモデルを提案する。
勾配入力としてリモートセンシングデータのみを使用する光発振機(LGBM)モデルは、純粋なMLモデルとして機能する。
純粋な物理法や純粋なML法と比較して、PC-LGBMモデルはLSTの予測精度と物理的解釈性を改善する。
論文 参考訳（メタデータ） (2023-07-03T01:44:48Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - Self-learning locally-optimal hypertuning using maximum entropy, and
comparison of machine learning approaches for estimating fatigue life in
composite materials [0.0]
疲労損傷を予測するための最大エントロピーの原理に基づくML近傍近似アルゴリズムを開発した。
予測は、他のMLアルゴリズムと同様、高いレベルの精度を達成する。
論文 参考訳（メタデータ） (2022-10-19T12:20:07Z) - Using Conservation Laws to Infer Deep Learning Model Accuracy of
Richtmyer-meshkov Instabilities [0.0]
Richtmyer-Meshkov不安定(RMI)は、衝撃波が摂動界面を通過するときに起こる複雑な現象である。
深層学習は、初期幾何学的摂動の時間的マッピングを密度と速度のフルフィールド流体力学解に学習するために用いられた。
ディープラーニングモデルからの予測は、時間的RMI生成を正確に捉えているように見える。
論文 参考訳（メタデータ） (2022-07-19T02:20:47Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。
我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。
以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
論文 参考訳（メタデータ） (2022-04-08T19:19:42Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳（メタデータ） (2021-08-04T16:32:59Z) - Physics-aware, probabilistic model order reduction with guaranteed
stability [0.0]
実効, 低次元, 粗粒度ダイナミクスモデル学習のための生成的枠組みを提案する。
粒子力学のマルチスケール物理系におけるその有効性と精度を実証する。
論文 参考訳（メタデータ） (2021-01-14T19:16:51Z)
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。