論文の概要: Continuous Convolutional Neural Networks for Disruption Prediction in
Nuclear Fusion Plasmas
- arxiv url: http://arxiv.org/abs/2312.01286v1
- Date: Sun, 3 Dec 2023 05:09:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 18:05:50.057046
- Title: Continuous Convolutional Neural Networks for Disruption Prediction in
Nuclear Fusion Plasmas
- Title(参考訳): 核融合プラズマの破壊予測のための連続畳み込みニューラルネットワーク
- Authors: William F Arnold, Lucas Spangher, Christina Rea
- Abstract要約: 気候変動のためのグリッド脱炭には、核融合のようなディスパッチ可能な炭素フリーエネルギーが必要である。
実装における最も大きな課題の1つは、エネルギティックプラズマ破壊の発生である。
本稿では,破壊予測のための連続畳み込みニューラルネットワークの新たな応用法を提案する。
- 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: Grid decarbonization for climate change requires dispatchable carbon-free
energy like nuclear fusion. The tokamak concept offers a promising path for
fusion, but one of the foremost challenges in implementation is the occurrence
of energetic plasma disruptions. In this study, we delve into Machine Learning
approaches to predict plasma state outcomes. Our contributions are twofold: (1)
We present a novel application of Continuous Convolutional Neural Networks for
disruption prediction and (2) We examine the advantages and disadvantages of
continuous models over discrete models for disruption prediction by comparing
our model with the previous, discrete state of the art, and show that
continuous models offer significantly better performance (Area Under the
Receiver Operating Characteristic Curve = 0.974 v.s. 0.799) with fewer
parameters
- Abstract(参考訳): 温暖化のためのグリッド脱炭には核融合のような炭素フリーエネルギーが要求される。
トカマクの概念は核融合に有望な経路を提供するが、実装における最も大きな課題の1つはエネルギープラズマ破壊の発生である。
本研究では,プラズマ状態の結果を予測する機械学習手法について検討する。
我々は,(1)ディスラプション予測のための連続畳み込みニューラルネットワークの新たな応用を提示し,(2)モデルと先行する離散状態のartとの比較により,離散モデルよりも連続モデルのアドバンテージとデメリットを検証し,連続モデルがより少ないパラメータで有意に優れた性能(受信者特性曲線 = 0.974 v.s. 0.799)を提供することを示す。
関連論文リスト
- Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via
Selective Entropy Distillation [60.17626806243389]
Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。
CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
論文 参考訳(メタデータ) (2024-02-27T08:47:19Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [60.98692028151328]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,この学習規則が将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
我々は拡散モデルに一般結果を特化し、自己消費ループ内での最適な早期停止の有効性などの微妙な洞察を提供する。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - 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) - Doubly Stochastic Graph-based Non-autoregressive Reaction Prediction [59.41636061300571]
電子再分配予測を得るために2つの二重自己アテンションマッピングを組み合わせた新しいフレームワークを提案する。
提案手法は,非自己回帰モデルの予測性能を常に向上することを示す。
論文 参考訳(メタデータ) (2023-06-05T14:15:39Z) - Bias in Pruned Vision Models: In-Depth Analysis and Countermeasures [93.17009514112702]
ニューラルネットワークのパラメータのかなりの部分集合をゼロに設定するプルーニングは、モデル圧縮の最も一般的な方法の1つである。
この現象の既存の証拠にもかかわらず、ニューラルネットワークのプルーニングと誘導バイアスの関係はよく理解されていない。
論文 参考訳(メタデータ) (2023-04-25T07:42:06Z) - Applying Physics-Informed Enhanced Super-Resolution Generative
Adversarial Networks to Turbulent Non-Premixed Combustion on Non-Uniform
Meshes and Demonstration of an Accelerated Simulation Workflow [0.0]
本稿では,LESサブフィルタモデリングに物理インフォームドされた超高分解能生成逆数ネットワーク(PIESRGAN)を使用する手法を拡張した。
これは、非プレミックス時空ジェットケースへの成功例を示す。
論文 参考訳(メタデータ) (2022-10-28T16:27:14Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳(メタデータ) (2022-04-19T10:51:00Z) - Turbulent field fluctuations in gyrokinetic and fluid plasmas [0.0]
磁気閉じ込め核融合炉の設計・開発における重要な不確実性は、エッジプラズマの乱流を予測することである。
ドリフト還元ブラジンスキー二流体理論は、実験において何十年にもわたってシミュレーションされた境界プラズマを持つ還元方程式の集合である。
静電二流体理論と電磁ジャイロキネティック・モデリングの乱流変動に関する最初の直接的定量的比較を行った。
論文 参考訳(メタデータ) (2021-07-20T19:50:30Z) - Driven-dissipative Ising Model: An exact field-theoretical analysis [0.0]
駆動散逸多体系は、非平衡力学、散逸、多体相互作用により解析的に解析することが困難である。
我々は、単純な散乱図から理解可能な、正確な場の理論解析とスピンモデルの図式表現を開発する。
論文 参考訳(メタデータ) (2021-01-13T19:00:21Z) - Predicting nucleation near the spinodal in the Ising model using machine
learning [3.5056930099070853]
畳み込みニューラルネットワーク(CNN)と2つのロジスティック回帰モデルを用いて、2次元イジングモデルにおける核生成の確率を予測する。
CNNはロングレンジイジングモデルのスピノダール付近のロジスティック回帰モデルより優れているが、クエンチがスピノダールに近づくと予測の精度が低下する。
論文 参考訳(メタデータ) (2020-04-20T19:04:38Z)
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。