論文の概要: Magnetic Field Data Calibration with Transformer Model Using Physical Constraints: A Scalable Method for Satellite Missions, Illustrated by Tianwen-1
- arxiv url: http://arxiv.org/abs/2501.00020v1
- Date: Mon, 16 Dec 2024 11:35:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-05 22:08:20.307655
- Title: Magnetic Field Data Calibration with Transformer Model Using Physical Constraints: A Scalable Method for Satellite Missions, Illustrated by Tianwen-1
- Title(参考訳): 物理制約を用いた変圧器モデルによる磁場データ校正:天wen-1による衛星ミッションのスケーラブル化
- Authors: Beibei Li, Yutian Chi, Yuming Wang,
- Abstract要約: 本研究は、天wen-1火星ミッションの磁場データ補正と、マクスウェル方程式に制約されたニューラルネットワークアーキテクチャを統合する新しいアプローチを提案する。
トランスフォーマーモデルを用いることで、衛星力学、機器干渉、環境騒音による計測異常を補正する。
- 参考スコア(独自算出の注目度): 3.4775479922416292
- License:
- Abstract: This study introduces a novel approach that integrates the magnetic field data correction from the Tianwen-1 Mars mission with a neural network architecture constrained by physical principles derived from Maxwell's equation equations. By employing a Transformer based model capable of efficiently handling sequential data, the method corrects measurement anomalies caused by satellite dynamics, instrument interference, and environmental noise. As a result, it significantly improves both the accuracy and the physical consistency of the calibrated data. Compared to traditional methods that require long data segments and manual intervention often taking weeks or even months to complete this new approach can finish calibration in just minutes to hours, and predictions are made within seconds. This innovation not only accelerates the process of space weather modeling and planetary magnetospheric studies but also provides a robust framework for future planetary exploration and solar wind interaction research.
- Abstract(参考訳): 本研究では、天wen-1火星ミッションの磁場データ補正を、マックスウェル方程式から導かれる物理原理に制約されたニューラルネットワークアーキテクチャと統合する新しいアプローチを提案する。
シーケンシャルデータを効率的に処理できるTransformerベースのモデルを用いることで、衛星力学、機器干渉、環境騒音による計測異常を補正する。
その結果、校正データの精度と物理的整合性の両方を著しく改善する。
長いデータセグメントと手作業による介入を必要とする従来の手法と比較して、この新しいアプローチは数分から数時間でキャリブレーションを完了し、予測は数秒以内に行われる。
この革新は、宇宙気象モデリングと惑星磁気圏研究のプロセスを加速するだけでなく、将来の惑星探査と太陽風の相互作用研究のための堅牢な枠組みも提供する。
関連論文リスト
- Implicit Neural Surface Deformation with Explicit Velocity Fields [47.610773635281085]
一対の点雲間の変形と時間変化したニューラルな暗黙の表面を同時に予測する最初の教師なし手法を導入する。
本手法は, 中間形状の監督を伴わずに剛性変形と非剛性変形を両立させることができる。
論文 参考訳(メタデータ) (2025-01-23T19:11:53Z) - Data-driven Probabilistic Trajectory Learning with High Temporal Resolution in Terminal Airspace [9.688760969026305]
混合モデルとSeq2seqに基づくニューラルネットワークの予測および特徴抽出機能を活用するデータ駆動学習フレームワークを提案する。
このフレームワークでトレーニングした後、学習したモデルは長期予測精度を大幅に向上させることができる。
提案手法の精度と有効性は,予測された軌道と基礎的真実とを比較して評価する。
論文 参考訳(メタデータ) (2024-09-25T21:08:25Z) - Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳(メタデータ) (2024-07-12T18:00:02Z) - Event-Aided Time-to-Collision Estimation for Autonomous Driving [28.13397992839372]
ニューロモルフィックなイベントベースカメラを用いて衝突時刻を推定する新しい手法を提案する。
提案アルゴリズムは, 事象データに適合する幾何モデルに対して, 効率的かつ高精度な2段階のアプローチで構成する。
合成データと実データの両方の実験により,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2024-07-10T02:37:36Z) - A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
様々な動物が環境の手がかりを使って正確なナビゲーションをしている。
動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。
提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
論文 参考訳(メタデータ) (2024-02-06T13:20:56Z) - Physics-Enhanced TinyML for Real-Time Detection of Ground Magnetic
Anomalies [0.0]
地磁気障害(GMD)のような宇宙の気象現象は、重要な技術基盤に重大なリスクをもたらす。
本稿では、上記の課題に対処する物理誘導型TinyMLフレームワークを開発する。
モデルトレーニングと圧縮の段階で物理ベースの正規化を統合し、予測の信頼性を高める。
論文 参考訳(メタデータ) (2023-11-19T23:20:16Z) - Physics-driven machine learning for the prediction of coronal mass
ejections' travel times [46.58747894238344]
コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。
CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。
本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
論文 参考訳(メタデータ) (2023-05-17T08:53:29Z) - A machine learning and feature engineering approach for the prediction
of the uncontrolled re-entry of space objects [1.0205541448656992]
低地球軌道(LEO)における未制御物体の再突入予測のための深層学習モデルの開発について述べる。
このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。
この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
論文 参考訳(メタデータ) (2023-03-17T13:53:59Z) - Retrieving space-dependent polarization transformations via near-optimal
quantum process tomography [55.41644538483948]
トモグラフィー問題に対する遺伝的および機械学習アプローチの適用について検討する。
ニューラルネットワークベースのスキームは、リアルタイムにキャラクタリゼーションを必要とするアプリケーションにおいて、重要なスピードアップを提供する。
これらの結果は、より一般的な量子プロセスにおけるトモグラフィーアプローチの最適化の基礎となることを期待する。
論文 参考訳(メタデータ) (2022-10-27T11:37:14Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳(メタデータ) (2022-04-09T22:07:34Z) - Physics-Consistent Data-driven Waveform Inversion with Adaptive Data
Augmentation [12.564534712461331]
我々は、FWI(Full-waveform Inversion)を解くための新しいハイブリッド計算手法を開発した。
トレーニングセットの表現性を向上するデータ拡張戦略を開発する。
本研究では, カルフォルニア州キンベリナの炭素沈殿場に構築された地下地質モデルから得られた弾性地震波形データに本手法を適用した。
論文 参考訳(メタデータ) (2020-09-03T17:12:55Z)
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。