Fugu-MT 論文翻訳(概要): NeuralCMS: A deep learning approach to study Jupiter's interior

論文の概要: NeuralCMS: A deep learning approach to study Jupiter's interior

arxiv url: http://arxiv.org/abs/2405.09244v1
Date: Wed, 15 May 2024 10:55:16 GMT
ステータス: 処理完了
システム内更新日: 2024-05-16 13:46:20.089357
Title: NeuralCMS: A deep learning approach to study Jupiter's interior
Title（参考訳）: NeuralCMS:木星の内部を研究するためのディープラーニングアプローチ
Authors: Maayan Ziv, Eli Galanti, Amir Sheffer, Saburo Howard, Tristan Guillot, Yohai Kaspi,
Abstract要約: 本稿では,高精度広範囲内部モデルを生成するために,効率的なディープニューラルネットワーク(DNN)モデルを提案する。我々は、木星の4層内部モデルのための大きなCMS結果の集合を用いた共有ベースのDNNを訓練した。ニューラルCMSは重力モーメントの予測において非常に優れた性能を示し、差動回転による不確実性に匹敵する誤差と非常に正確な質量予測を示す。
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: NASA's Juno mission provided exquisite measurements of Jupiter's gravity field that together with the Galileo entry probe atmospheric measurements constrains the interior structure of the giant planet. Inferring its interior structure range remains a challenging inverse problem requiring a computationally intensive search of combinations of various planetary properties, such as the cloud-level temperature, composition, and core features, requiring the computation of ~10^9 interior models. We propose an efficient deep neural network (DNN) model to generate high-precision wide-ranged interior models based on the very accurate but computationally demanding concentric MacLaurin spheroid (CMS) method. We trained a sharing-based DNN with a large set of CMS results for a four-layer interior model of Jupiter, including a dilute core, to accurately predict the gravity moments and mass, given a combination of interior features. We evaluated the performance of the trained DNN (NeuralCMS) to inspect its predictive limitations. NeuralCMS shows very good performance in predicting the gravity moments, with errors comparable with the uncertainty due to differential rotation, and a very accurate mass prediction. This allowed us to perform a broad parameter space search by computing only ~10^4 actual CMS interior models, resulting in a large sample of plausible interior structures, and reducing the computation time by a factor of 10^5. Moreover, we used a DNN explainability algorithm to analyze the impact of the parameters setting the interior model on the predicted observables, providing information on their nonlinear relation.
Abstract（参考訳）: NASAのジュノーミッションは木星の重力場を精巧に測定し、ガリレオの大気観測とともに惑星の内部構造を制約した。内部構造の範囲を推定することは、雲の温度、組成、コア特徴などの様々な惑星特性の組み合わせを計算的に集約的に探索し、およそ10^9の内部モデルの計算を必要とする、難しい逆問題のままである。そこで本研究では,MacLaurin spheroid (CMS) 法に基づいて,高精度で高精度な広範囲内部モデルを生成するための,効率的なディープニューラルネットワーク(DNN)モデルを提案する。我々は、重心を含む木星の4層内部モデルに対して、大きなCMS結果の集合を持つ共有ベースDNNを訓練し、内部特徴の組み合わせから重力モーメントと質量を正確に予測した。我々は,訓練済みDNN(NeuralCMS)の性能評価を行い,その予測限界について検討した。ニューラルCMSは重力モーメントの予測において非常に優れた性能を示し、差動回転による不確実性に匹敵する誤差と非常に正確な質量予測を示す。これにより,実際のCMS内部モデルである10^4のみを計算して広いパラメータ空間探索を行うことができ,その結果,可塑性内部構造の大規模なサンプルが得られ,計算時間を10^5に短縮できる。さらに、DNN説明可能性アルゴリズムを用いて、内部モデルの設定パラメータが予測可観測物に与える影響を分析し、それらの非線形関係について情報を提供した。

関連論文リスト

Domain Adaptive Graph Neural Networks for Constraining Cosmological Parameters Across Multiple Data Sets [40.19690479537335]
DA-GNNは,データセット間のタスクにおいて高い精度とロバスト性を実現する。このことは、DA-GNNがドメインに依存しない宇宙情報を抽出するための有望な方法であることを示している。
論文参考訳（メタデータ） (2023-11-02T20:40:21Z)
NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
論文参考訳（メタデータ） (2023-08-24T17:59:54Z)
ExoMDN: Rapid characterization of exoplanet interior structures with Mixture Density Networks [0.0]
太陽系外惑星の内在性評価のための機械学習モデルであるExoMDNを提案する。 ExoMDNは、標準のIntel i5 CPU上で、各惑星層の質量分率と厚さの完全な後部分布を1秒以下で実現できることを示す。我々はエクソMDNを用いて、質量と半径の不確かさがそれぞれ10%と5%以下である22個の確認された太陽系外惑星の内部を特徴付ける。
論文参考訳（メタデータ） (2023-06-15T10:00:03Z)
Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文参考訳（メタデータ） (2022-12-21T19:00:04Z)
Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。ニューラル微分方程式モデルに基づく新しい手法を提案する。我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文参考訳（メタデータ） (2022-07-21T12:11:18Z)
Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文参考訳（メタデータ） (2022-07-07T17:55:26Z)
On the Intrinsic Structures of Spiking Neural Networks [66.57589494713515]
近年、時間依存データやイベント駆動データを扱う大きな可能性から、SNNへの関心が高まっている。スパイキング計算における本質的な構造の影響を総合的に調査する研究が数多く行われている。この研究はSNNの本質的な構造を深く掘り下げ、SNNの表現性への影響を解明する。
論文参考訳（メタデータ） (2022-06-21T09:42:30Z)
Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文参考訳（メタデータ） (2022-05-27T03:24:31Z)
Predicting the Thermal Sunyaev-Zel'dovich Field using Modular and Equivariant Set-Based Neural Networks [1.7709249262395885]
我々は、銀河団内の連続電子圧場を予測するために、IllustrisTNG-300宇宙学シミュレーションでニューラルネットワークを訓練する。我々は、設定したダークマター粒子を直接操作するために、回転型DeepSetsアーキテクチャを用いる。
論文参考訳（メタデータ） (2022-02-28T19:00:07Z)
Using Bayesian Deep Learning to infer Planet Mass from Gaps in Protoplanetary Disks [0.0]
ディスクギャップから惑星質量を予測する深層学習ネットワーク「DPNNet-Bayesian」を導入する。我々のアプローチのユニークな特徴は、ディープラーニングアーキテクチャに関連する不確実性と、入力データに固有の不確実性とを区別できることです。このネットワークは、それぞれ86.0 pm 5.5 M_Earth $、43.8 pm 3.3 M_Earth $、92.2 pm 5.1 M_Earth $と予測している。
論文参考訳（メタデータ） (2022-02-23T19:00:05Z)
Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
論文参考訳（メタデータ） (2021-09-04T08:43:19Z)

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。