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

• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• AI-Driven Autonomous Control of Proton-Boron Fusion Reactors Using Backpropagation Neural Networks [0.0]
  陽子ホウ素(p-11B)核融合は、持続可能で中性子のないエネルギー生成への有望な道を示す。 従来の制御系は、プラズマの高度に動的で非線形な挙動を管理する上で困難に直面している。 本稿では,バックプロパゲーションに基づくニューラルネットワークを用いて,陽子-ホウ素核融合炉のキーパラメータを自律的に制御する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-14T14:58:43Z)
• Model Collapse in the Self-Consuming Chain of Diffusion Finetuning: A Novel Perspective from Quantitative Trait Modeling [10.159932782892865]
  生成モデルは、出力が実際のデータと区別できないユニークなしきい値に達した。 トレーニングと生成の繰り返しループが発生すると、パフォーマンスの深刻な劣化が観察されている。 本稿では,遺伝子変異に触発された簡便かつ効果的な方法として,再利用可能な拡散微細構造(ReDiFine)を提案する。
  論文  参考訳（メタデータ） (2024-07-04T13:41:54Z)
• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  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)
• 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)
• 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。