Fugu-MT 論文翻訳(概要): Exploiting Memory-aware Q-distribution Prediction for Nuclear Fusion via Modern Hopfield Network

論文の概要: Exploiting Memory-aware Q-distribution Prediction for Nuclear Fusion via Modern Hopfield Network

arxiv url: http://arxiv.org/abs/2410.08889v1
Date: Fri, 11 Oct 2024 15:05:52 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 21:26:05.840430
Title: Exploiting Memory-aware Q-distribution Prediction for Nuclear Fusion via Modern Hopfield Network
Title（参考訳）: 近代ホップフィールドネットワークによる核融合におけるメモリ対応Q分布予測
Authors: Qingchuan Ma, Shiao Wang, Tong Zheng, Xiaodong Dai, Yifeng Wang, Qingquan Yang, Xiao Wang,
Abstract要約: 本稿では,現代ホップフィールドネットワークを応用し,歴史写真から連想記憶を取り入れた革新的なディープラーニングフレームワークを提案する。本稿では,Q-ディストリビューション予測の強化におけるアプローチの有効性を示す。
参考スコア（独自算出の注目度）: 8.30869307634035
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study addresses the critical challenge of predicting the Q-distribution in long-term stable nuclear fusion task, a key component for advancing clean energy solutions. We introduce an innovative deep learning framework that employs Modern Hopfield Networks to incorporate associative memory from historical shots. Utilizing a newly compiled dataset, we demonstrate the effectiveness of our approach in enhancing Q-distribution prediction. The proposed method represents a significant advancement by leveraging historical memory information for the first time in this context, showcasing improved prediction accuracy and contributing to the optimization of nuclear fusion research.
Abstract（参考訳）: 本研究は, クリーンエネルギーソリューションの進展の鍵となる, 長期安定核融合課題におけるQ分布予測の課題に対処する。本稿では,現代ホップフィールドネットワークを応用し,歴史写真から連想記憶を取り入れた革新的なディープラーニングフレームワークを提案する。新たにコンパイルされたデータセットを用いて,Q-distribution予測の強化におけるアプローチの有効性を実証する。提案手法は, 過去の記憶情報をこの文脈で初めて活用し, 予測精度を向上し, 核融合研究の最適化に寄与することを示す。

関連論文リスト

Multi-modal Fusion based Q-distribution Prediction for Controlled Nuclear Fusion [17.75925776350571]
我々は,Q分布予測の複雑さに対処するために,ディープラーニング技術を活用している。具体的には,コンピュータビジョンにおけるマルチモーダル融合法について検討し,元の1次元データと2次元線画像データを統合してバイモーダル入力を生成する。
論文参考訳（メタデータ） (2024-10-11T14:58:19Z)
Enhancing Multivariate Time Series-based Solar Flare Prediction with Multifaceted Preprocessing and Contrastive Learning [0.9374652839580181]
正確な太陽フレア予測は、宇宙飛行士、宇宙機器、衛星通信システムに強い太陽フレアがもたらす重大なリスクのために重要である。本研究は、先進的なデータ前処理と分類手法を利用して、太陽フレア予測を強化する。
論文参考訳（メタデータ） (2024-09-21T05:00:34Z)
QuaCK-TSF: Quantum-Classical Kernelized Time Series Forecasting [7.945302052915863]
本稿では,このベイズ手法のロバスト性と,量子モデルにおけるカーネル・パースペクティブから得られるニュアンスド・インサイトとを融合した新しいアプローチを提案する。我々はIsingの相互作用にインスパイアされた量子特徴写像を組み込み、正確な予測に不可欠な時間的依存関係のキャプチャーの有効性を実証する。
論文参考訳（メタデータ） (2024-08-21T21:39:31Z)
Optimization of Energy Consumption Forecasting in Puno using Parallel Computing and ARIMA Models: An Innovative Approach to Big Data Processing [0.0]
この研究は、逐次実装と並列実装の両方の実行速度、予測精度、スケーラビリティに焦点を当てている。この結果は、計算効率とデータ処理能力の顕著な改善を示している。この新手法は,リアルタイム予測解析のための汎用的で信頼性の高いソリューションを提供する。
論文参考訳（メタデータ） (2024-07-27T05:26:29Z)
SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-05-29T08:00:15Z)
A Unified Replay-based Continuous Learning Framework for Spatio-Temporal Prediction on Streaming Data [26.570986572374085]
本稿では,ストリーミングデータの予測を可能にするために,リプレイベースの継続的学習フレームワークを提案する。このフレームワークは、過去の知識を保存するために時間混合機構を使用してデータと融合した、以前に学習されたサンプルの再生バッファを含む。
論文参考訳（メタデータ） (2024-04-23T13:02:11Z)
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)
Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文参考訳（メタデータ） (2020-12-23T16:21:34Z)
C-Learning: Learning to Achieve Goals via Recursive Classification [163.7610618571879]
自律エージェントの将来の状態分布を予測・制御する問題について検討する。我々の研究は、密度推定としてゴール条件付きRLの基礎を定めている。
論文参考訳（メタデータ） (2020-11-17T19:58:56Z)
Cross Learning in Deep Q-Networks [82.20059754270302]
本稿では、値に基づく強化学習手法において、よく知られた過大評価問題を緩和することを目的とした、新しいクロスQ-ラーニングアルゴリズムを提案する。本アルゴリズムは,並列モデルの集合を維持し,ランダムに選択されたネットワークに基づいてQ値を算出することによって,二重Q-ラーニングに基づいて構築する。
論文参考訳（メタデータ） (2020-09-29T04:58:17Z)
Unsupervised Transfer Learning for Spatiotemporal Predictive Networks [90.67309545798224]
我々は、教師なし学習されたモデルの動物園から別のネットワークへ知識を伝達する方法を研究する。私たちのモチベーションは、モデルは異なるソースからの複雑なダイナミクスを理解することが期待されていることです。提案手法は,時間的予測のための3つのベンチマークで大幅に改善され,重要度が低いベンチマークであっても,ターゲットのメリットが得られた。
論文参考訳（メタデータ） (2020-09-24T15:40:55Z)

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。