論文の概要: Physics-Driven AI Correction in Laser Absorption Sensing Quantification

• arxiv url: http://arxiv.org/abs/2408.10714v1
• Date: Tue, 20 Aug 2024 10:29:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-21 14:04:52.109509
• Title: Physics-Driven AI Correction in Laser Absorption Sensing Quantification
• Title（参考訳）: レーザー吸収センシング量子化における物理駆動型AI補正
• Authors: Ruiyuan Kang, Panos Liatsis, Meixia Geng, Qingjie Yang,
• Abstract要約: レーザー吸収分光法(LAS)の定量化は、気体の温度と濃度を測定するのによく用いられるツールである。 現在のMLベースのソリューションは、その測定信頼性を保証することはできない。 この問題に対処するための新しいフレームワークSPECを提案する。
• 参考スコア（独自算出の注目度）: 2.403858349180771
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Laser absorption spectroscopy (LAS) quantification is a popular tool used in measuring temperature and concentration of gases. It has low error tolerance, whereas current ML-based solutions cannot guarantee their measure reliability. In this work, we propose a new framework, SPEC, to address this issue. In addition to the conventional ML estimator-based estimation mode, SPEC also includes a Physics-driven Anomaly Detection module (PAD) to assess the error of the estimation. And a Correction mode is designed to correct the unreliable estimation. The correction mode is a network-based optimization algorithm, which uses the guidance of error to iteratively correct the estimation. A hybrid surrogate error model is proposed to estimate the error distribution, which contains an ensemble of networks to simulate reconstruction error, and true feasible error computation. A greedy ensemble search is proposed to find the optimal correction robustly and efficiently from the gradient guidance of surrogate model. The proposed SPEC is validated on the test scenarios which are outside the training distribution. The results show that SPEC can significantly improve the estimation quality, and the correction mode outperforms current network-based optimization algorithms. In addition, SPEC has the reconfigurability, which can be easily adapted to different quantification tasks via changing PAD without retraining the ML estimator.
• Abstract（参考訳）: レーザー吸収分光法(LAS)の定量化は、気体の温度と濃度を測定するのによく用いられるツールである。 エラー耐性は低いが、現在のMLベースのソリューションでは信頼性を保証できない。 本研究では,この問題に対処する新しいフレームワークSPECを提案する。 従来のML推定器に基づく推定モードに加えて、SPECには物理駆動型異常検出モジュール(PAD)が含まれており、推定の誤差を評価する。 また、信頼できない推定を補正するために、補正モードが設計されている。 補正モードはネットワークベースの最適化アルゴリズムであり、エラーの誘導を用いて推定を反復的に補正する。 再構成誤りをシミュレートするネットワークのアンサンブルを含む誤差分布を推定するために,ハイブリッドサロゲート誤差モデルを提案する。 代理モデルの勾配誘導から最適補正を頑健かつ効率的に発見するために, グリーディアンサンブル探索を提案する。 提案したSPECは,トレーニングディストリビューション外のテストシナリオで検証される。 その結果,SPECは推定精度を大幅に向上し,補正モードは現在のネットワーク最適化アルゴリズムより優れていることがわかった。 さらに、SPECは再構成可能性を持ち、ML推定器を再トレーニングすることなくPADを変更することで、異なる定量化タスクに容易に適応できる。

関連論文リスト

• Subtle Errors Matter: Preference Learning via Error-injected Self-editing [59.405145971637204]
  eRror-Injected Self-Editing (RISE) と呼ばれる新しい好み学習フレームワークを提案する。 RISEは定義済みの微妙な誤りを正しい解の部分的なトークンに注入し、エラー軽減のためにハードペアを構築する。 RISEの有効性を検証する実験では、Qwen2-7B-Instructでは、GSM8Kでは3.0%、MATHでは7.9%が顕著に改善された。
  論文  参考訳（メタデータ） (2024-10-09T07:43:38Z)
• Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
  Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。 本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:27:07Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• A Consistent and Differentiable Lp Canonical Calibration Error Estimator [21.67616079217758]
  ディープニューラルネットワークは校正が不十分で、自信過剰な予測を出力する傾向がある。 ディリクレ核密度推定に基づく低バイアス・トレーニング可能な校正誤差推定器を提案する。 提案手法はカーネルの自然な選択であり,他の量の一貫した推定値を生成するのに利用できる。
  論文  参考訳（メタデータ） (2022-10-13T15:11:11Z)
• E2N: Error Estimation Networks for Goal-Oriented Mesh Adaptation [6.132664589282657]
  我々は、適切に構成され、訓練されたニューラルネットワークを用いて、「データ駆動型」目標指向メッシュ適応アプローチを開発する。 ここでは要素単位の構成を用い、メッシュ幾何学に関連する様々なパラメータの局所値を入力とする。 提案手法は計算コストを削減して同じ精度が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-22T17:41:37Z)
• Quantifying the Impact of Precision Errors on Quantum Approximate Optimization Algorithms [0.24629531282150877]
  本稿では,QAOA回路のアナログ実装における誤差が最適化アルゴリズムとしての性能を損なうことを示す。 この大幅な削減にもかかわらず、変動パラメータのデジタル化により、QAOAにおける精度誤差を軽減できることが示されている。
  論文  参考訳（メタデータ） (2021-09-09T18:00:03Z)
• Efficient diagnostics for quantum error correction [0.0]
  パウリの誤り再構成に基づくスケーラブルな実験手法を提案する。 数値的エビデンスにより, 種々の誤差モデルに対する標準誤差測定値に基づいて, 予測精度が有意に向上したことを示す。
  論文  参考訳（メタデータ） (2021-08-24T16:28:29Z)
• Performance of teleportation-based error correction circuits for bosonic codes with noisy measurements [58.720142291102135]
  テレポーテーションに基づく誤り訂正回路を用いて、回転対称符号の誤り訂正能力を解析する。 マイクロ波光学における現在達成可能な測定効率により, ボソニック回転符号の破壊ポテンシャルは著しく低下することが判明した。
  論文  参考訳（メタデータ） (2021-08-02T16:12:13Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。