論文の概要: ONION: Physics-Informed Deep Learning Model for Line Integral Diagnostics Across Fusion Devices

• arxiv url: http://arxiv.org/abs/2412.00087v1
• Date: Wed, 27 Nov 2024 08:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:41:47.948976
• Title: ONION: Physics-Informed Deep Learning Model for Line Integral Diagnostics Across Fusion Devices
• Title（参考訳）: 核融合装置間の線形積分診断のための物理インフォームドディープラーニングモデル
• Authors: Cong Wang, Weizhe Yang, Haiping Wang, Renjie Yang, Jing Li, Zhijun Wang, Xinyao Yu, Yixiong Wei, Xianli Huang, Zhaoyang Liu, Changqing Zou, Zhifeng Zhao,
• Abstract要約: 本稿では,様々なバックボーンネットワークに適用可能な物理インフォームドモデルアーキテクチャを提案する。 このモデルは物理情報を付加的な入力として組み込んでおり、物理インフォームド・ロス関数によって制約される。 物理インフォームド・ロス関数の組み入れにより、モデルの予測を正すことが示されている。
• 参考スコア（独自算出の注目度）: 21.39433654532181
• License:
• Abstract: This paper introduces a Physics-Informed model architecture that can be adapted to various backbone networks. The model incorporates physical information as additional input and is constrained by a Physics-Informed loss function. Experimental results demonstrate that the additional input of physical information substantially improve the model's ability with a increase in performance observed. Besides, the adoption of the Softplus activation function in the final two fully connected layers significantly enhances model performance. The incorporation of a Physics-Informed loss function has been shown to correct the model's predictions, bringing the back-projections closer to the actual inputs and reducing the errors associated with inversion algorithms. In this work, we have developed a Phantom Data Model to generate customized line integral diagnostic datasets and have also collected SXR diagnostic datasets from EAST and HL-2A. The code, models, and some datasets are publicly available at https://github.com/calledice/onion.
• Abstract（参考訳）: 本稿では,様々なバックボーンネットワークに適用可能な物理インフォームドモデルアーキテクチャを提案する。 このモデルは物理情報を付加的な入力として組み込んでおり、物理インフォームド・ロス関数によって制約される。 実験により,物理情報の付加的な入力により,観測性能が向上し,モデルの能力が大幅に向上することが確認された。 さらに、最後の2つの完全連結層におけるSoftplusアクティベーション関数の採用により、モデル性能が著しく向上する。 物理インフォームド・ロス関数の組み込みはモデルの予測を正し、バックプロジェクションを実際の入力に近づけ、反転アルゴリズムに関連する誤差を減らすことが示されている。 本研究では,独自のライン積分診断データセットを生成するPhantom Data Modelを開発し,EASTとHL-2AからSXR診断データセットを収集した。 コード、モデル、いくつかのデータセットはhttps://github.com/calledice/onion.comで公開されている。

関連論文リスト

• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Rethinking the Elementary Function Fusion for Single-Image Dehazing [0.0]
  本稿では,画像デハージングのための革新的なデハージングネットワーク(CL2S)を提案する。 DM2Fモデルに基づいて、アブレーション実験の問題を識別し、元の対数関数モデルを三角(正弦)モデルに置き換える。 実験により、CL2Sは複数のデハジングデータセットにおいて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-05-23T02:58:14Z)
• Physics-integrated generative modeling using attentive planar normalizing flow based variational autoencoder [0.0]
  本研究の目的は,物理統合生成モデルにおける再構成の忠実さとノイズの改善である。 モデルに注入されたノイズに対する生成モデルのロバスト性を改善するため,正規化フローベースVAEのエンコーダ部分の変更を提案する。
  論文  参考訳（メタデータ） (2024-04-18T15:38:14Z)
• A Physics Enhanced Residual Learning (PERL) Framework for Vehicle Trajectory Prediction [5.7215490229343535]
  PERLは、トラフィック状態予測のための物理とデータ駆動方式の長所を統合する。 物理モデルに固有の解釈可能性を保持し、データ要求を減らした。 PERLは、物理モデル、データ駆動モデル、PINNモデルと比較して、小さなデータセットでより良い予測を実現する。
  論文  参考訳（メタデータ） (2023-09-26T21:41:45Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Differentiable physics-enabled closure modeling for Burgers' turbulence [0.0]
  本稿では、既知の物理と機械学習を組み合わせて乱流問題に対するクロージャモデルを開発する微分可能な物理パラダイムを用いたアプローチについて論じる。 我々は、モデルの有効性をテストするために、後方損失関数上の様々な物理仮定を組み込んだ一連のモデルを訓練する。 既知物理あるいは既存の閉包アプローチを含む偏微分方程式の形で帰納バイアスを持つ制約モデルが、非常にデータ効率が高く、正確で、一般化可能なモデルを生成することを発見した。
  論文  参考訳（メタデータ） (2022-09-23T14:38:01Z)
• Deep Physics Corrector: A physics enhanced deep learning architecture for solving stochastic differential equations [0.0]
  微分方程式(SDE)によって制御される物理系に対する新しいグレーボックスモデリングアルゴリズムを提案する。 提案手法はDeep Physics Corrector(DPC)と呼ばれ、SDEとDeep Neural Network(DNN)で表される近似物理学をブレンドする。 本論文では,本論文の4つのベンチマーク例について,提案したDPCの性能について述べる。
  論文  参考訳（メタデータ） (2022-09-20T14:30:07Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• FastIF: Scalable Influence Functions for Efficient Model Interpretation and Debugging [112.19994766375231]
  影響関数は、テスト予測のためのトレーニングデータポイントの「影響」を近似する。 fastifは、実行時間を大幅に改善する関数に影響を与えるための、単純な修正セットです。 本実験はモデル解釈とモデル誤差の修正における影響関数の可能性を示す。
  論文  参考訳（メタデータ） (2020-12-31T18:02:34Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。