論文の概要: Disk2Planet: A Robust and Automated Machine Learning Tool for Parameter Inference in Disk-Planet Systems

• arxiv url: http://arxiv.org/abs/2409.17228v1
• Date: Wed, 25 Sep 2024 18:00:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-01 07:32:00.957568
• Title: Disk2Planet: A Robust and Automated Machine Learning Tool for Parameter Inference in Disk-Planet Systems
• Title（参考訳）: Disk2Planet: パラメータのためのロバストで自動化された機械学習ツール ディスク・プラネットシステムにおける推論
• Authors: Shunyuan Mao, Ruobing Dong, Kwang Moo Yi, Lu Lu, Sifan Wang, Paris Perdikaris
• Abstract要約: 本研究では、プロトプラネタリーディスク構造からディスクプラネタリーシステムにおける鍵パラメータを推論する機械学習ツールであるDisk2Planetを紹介する。 我々のツールは完全自動化されており、Nvidia A100グラフィックス処理ユニットで1つのシステムで3分でパラメータを取得できる。
• 参考スコア（独自算出の注目度）: 16.738136124873307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Disk2Planet, a machine learning-based tool to infer key parameters in disk-planet systems from observed protoplanetary disk structures. Disk2Planet takes as input the disk structures in the form of two-dimensional density and velocity maps, and outputs disk and planet properties, that is, the Shakura--Sunyaev viscosity, the disk aspect ratio, the planet--star mass ratio, and the planet's radius and azimuth. We integrate the Covariance Matrix Adaptation Evolution Strategy (CMA--ES), an evolutionary algorithm tailored for complex optimization problems, and the Protoplanetary Disk Operator Network (PPDONet), a neural network designed to predict solutions of disk--planet interactions. Our tool is fully automated and can retrieve parameters in one system in three minutes on an Nvidia A100 graphics processing unit. We empirically demonstrate that our tool achieves percent-level or higher accuracy, and is able to handle missing data and unknown levels of noise.
• Abstract（参考訳）: 本研究では、プロトプラネタリーディスク構造からディスクプラネタリーシステムにおける鍵パラメータを推論する機械学習ツールであるDisk2Planetを紹介する。 Disk2Planetは2次元密度と速度マップの形でディスク構造を入力し、シャクラ-スンヤエフ粘度、円盤アスペクト比、惑星-恒星質量比、惑星の半径と方位を出力する。 我々は、複雑な最適化問題に適した進化アルゴリズムであるCovariance Matrix Adaptation Evolution Strategy (CMA--ES)と、ディスク-プラネタリー相互作用の解を予測するために設計されたニューラルネットワークであるProto Planet Disk Operator Network (PPDONet)を統合する。 我々のツールは完全自動化されており、Nvidia A100グラフィックス処理ユニットで1つのシステムで3分でパラメータを取得できる。 実験により、我々のツールは、パーセンテージレベルまたはより高い精度を実現し、欠落したデータや未知のノイズを処理可能であることを実証した。

関連論文リスト

• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• DBNets: A publicly available deep learning tool to measure the masses of young planets in dusty protoplanetary discs [49.1574468325115]
  我々は、原始惑星系円盤から埋め込まれたとされる惑星の質量を素早く推定するDBNetsを開発した。 アウト・オブ・ディストリビューション・データでツールを広範囲にテストしました。 DBNetはトレーニング範囲外において、特定のしきい値以上の不確実性を返す入力を強く識別することができる。 光学的に薄い状態において、約60deg以下の傾斜で観測された円盤にのみ確実に適用することができる。
  論文  参考訳（メタデータ） (2024-02-19T19:00:09Z)
• Asteroids co-orbital motion classification based on Machine Learning [0.0]
  我々は、JPLホライズンズ系の実際の小惑星の自転を捉え、惑星との平均運動共鳴における4つの異なる動きについて考察する。 変数テータの時系列は、その問題に対してアドホックを定義したデータ解析パイプラインを用いて研究される。 我々は,アルゴリズムが時系列を高い性能で正確に識別し,分類する方法を示す。
  論文  参考訳（メタデータ） (2023-09-19T13:19:31Z)
• PPDONet: Deep Operator Networks for Fast Prediction of Steady-State Solutions in Disk-Planet Systems [12.39394042991753]
  本研究では,原始惑星系円盤における円盤-平面相互作用の解をリアルタイムに予測するツールを開発した。 当社のツールは,非線形演算子を学習可能なニューラルネットワークのクラスであるDeep Operator Networks(DeepONets)に基づいています。 我々のツールは、ラップトップ上で1秒未満で1つのシステムにおけるディスクプラネタリー相互作用の結果を予測することができる。
  論文  参考訳（メタデータ） (2023-05-18T16:53:35Z)
• Data-Free Learning of Reduced-Order Kinematics [54.85157881323157]
  画像が多様だが低エネルギーな構成のサブ多様体をパラメータ化する低次元マップを作成する。 サブスペースを低次元潜在ベクトルを全構成空間にマッピングするニューラルネットワークとして表現する。 この定式化は、非常に一般的な物理系において有効である。
  論文  参考訳（メタデータ） (2023-05-05T20:53:36Z)
• Revisiting mass-radius relationships for exoplanet populations: a machine learning insight [0.0]
  我々は効率的な機械学習手法を用いて、762個の太陽系外惑星と8個の太陽系外惑星からなるデータセットを解析した。 異なる教師なしクラスタリングアルゴリズムを適用することで、データを「小さい」惑星と「巨大な」惑星の2つの分類に分類する。 我々の分析は、惑星の質量、軌道周期、恒星質量が太陽系外惑星半径を予測する重要な役割を担っていることを強調している。
  論文  参考訳（メタデータ） (2023-01-17T19:15:06Z)
• PGNets: Planet mass prediction using convolutional neural networks for radio continuum observations of protoplanetary disks [0.0]
  原始惑星円盤中の若い惑星によって誘導される構造は、潜在的に若い惑星の性質を推測するために用いられる。 2次元画像から惑星質量を推定するためのPlanet Gap Neural Networks(PGNets)を開発した。 線形フィッティング法で見られる$alpha$$propto $M_p3$を再現する。
  論文  参考訳（メタデータ） (2021-11-30T08:12:08Z)
• DPNNet-2.0 Part I: Finding hidden planets from simulated images of protoplanetary disk gaps [6.2194417376659015]
  DPNNet citepaud20に次いで第2のDPNNet-2.0を導入し,原始惑星円盤のシミュレーション画像から直接外惑星質量を予測する。 この研究は、アタカマ大 (sub-)Millimeter Array) のような望遠鏡による塵面密度マップで観測された惑星間隙から外惑星の質量を直接抽出するコンピュータビジョン(CNNの実装)の利用に向けた最初のステップである。
  論文  参考訳（メタデータ） (2021-07-19T18:00:31Z)
• Attention-based Neural Network for Driving Environment Complexity Perception [123.93460670568554]
  本稿では,周囲の運転環境の複雑さを予測するための,注目に基づく新しいニューラルネットワークモデルを提案する。 Yolo-v3オブジェクト検出アルゴリズム、ヒートマップ生成アルゴリズム、CNNベースの特徴抽出器、注目ベースの特徴抽出器で構成される。 提案するアテンションベースネットワークは,周囲環境の複雑さを分類する平均分類精度91.22%を達成している。
  論文  参考訳（メタデータ） (2021-06-21T17:27:11Z)
• Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
  同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。 当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。 回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-18T19:05:04Z)
• Nothing But Geometric Constraints: A Model-Free Method for Articulated Object Pose Estimation [89.82169646672872]
  本稿では,ロボットアームの関節構成を,モデルに先入観を持たずにRGBまたはRGB-D画像のシーケンスから推定する,教師なし視覚ベースシステムを提案する。 我々は,古典幾何学的定式化と深層学習を組み合わせることで,この課題を解決するために,極性多剛体制約を拡張した。
  論文  参考訳（メタデータ） (2020-11-30T20:46:48Z)

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。