論文の概要: PaMMA-Net: Plasmas magnetic measurement evolution based on data-driven incremental accumulative prediction

• arxiv url: http://arxiv.org/abs/2501.14003v1
• Date: Thu, 23 Jan 2025 12:19:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:56:18.351920
• Title: PaMMA-Net: Plasmas magnetic measurement evolution based on data-driven incremental accumulative prediction
• Title（参考訳）: PaMMA-Net:データ駆動インクリメンタル累積予測に基づくプラズマ磁気計測の進化
• Authors: Yunfei Ling, Zijie Liu, Jun Du, Yao Huang, Yuehang Wang, Bingjia Xiao, Xin Fang,
• Abstract要約: 本稿では,PaMMA-Netという深層学習に基づく磁気計測手法を提案する。 トカマク放電実験における磁気測定を長期にわたって、あるいは平衡再構成アルゴリズムと組み合わせて、プラズマ形状のようなマクロなパラメータを進化させることが可能である。 EASTの実際の実験データを用いて実施した試験は,提案手法の高一般化性能を検証した。
• 参考スコア（独自算出の注目度）: 30.707789694486564
• License:
• Abstract: An accurate evolution model is crucial for effective control and in-depth study of fusion plasmas. Evolution methods based on physical models often encounter challenges such as insufficient robustness or excessive computational costs. Given the proven strong fitting capabilities of deep learning methods across various fields, including plasma research, this paper introduces a deep learning-based magnetic measurement evolution method named PaMMA-Net (Plasma Magnetic Measurements Incremental Accumulative Prediction Network). This network is capable of evolving magnetic measurements in tokamak discharge experiments over extended periods or, in conjunction with equilibrium reconstruction algorithms, evolving macroscopic parameters such as plasma shape. Leveraging a incremental prediction approach and data augmentation techniques tailored for magnetic measurements, PaMMA-Net achieves superior evolution results compared to existing studies. The tests conducted on real experimental data from EAST validate the high generalization capability of the proposed method.
• Abstract（参考訳）: 核融合プラズマの効率的な制御と詳細な研究には、正確な進化モデルが不可欠である。 物理モデルに基づく進化的手法は、しばしば不十分な堅牢性や過剰な計算コストといった問題に遭遇する。 プラズマ研究を含む様々な分野における深層学習手法の強い適合性を考えると,PaMMA-Net(Plasma Magnetic Measurements Incremental Accumulative Prediction Network)と呼ばれる深層学習に基づく磁気計測進化法を提案する。 このネットワークは、トカマク放電実験における磁気測定を長期にわたって発展させるか、平衡再構成アルゴリズムと組み合わせてプラズマ形状などのマクロパラメータを進化させることができる。 磁気測定に適した漸進的な予測手法とデータ拡張技術を活用することで、PaMMA-Netは既存の研究よりも優れた進化結果が得られる。 EASTの実際の実験データを用いて実施した試験は,提案手法の高一般化性能を検証した。

関連論文リスト

• Solving Inverse Problems in Protein Space Using Diffusion-Based Priors [36.726170589634826]
  生生物物理測定を3次元原子モデルに変換するための多用途フレームワークを提案する。 本手法は, 線形および非線形逆問題において, 後方サンプリングベースラインよりも優れた性能を示す。 これは、Cryo-EM密度マップから原子モデルを精製する最初の拡散法である。
  論文  参考訳（メタデータ） (2024-06-06T16:38:53Z)
• Data-driven local operator finding for reduced-order modelling of plasma systems: I. Concept and verifications [2.9320342785886973]
  低次プラズマモデルでは、様々な設定や構成で効率的にプラズマの挙動を予測することができる。 この2つの記事では、"Phi Method"を紹介します。 第1部では,候補項ライブラリに制約付き回帰を用いた新しいアルゴリズムを提案する。 パートIIは、パラメトリックダイナミクス発見のためのメソッドの応用を掘り下げる。
  論文  参考訳（メタデータ） (2024-03-03T14:50:15Z)
• Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
  トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。 深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。 我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。 FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
  論文  参考訳（メタデータ） (2023-11-10T10:05:00Z)
• Energy-Based Models for Anomaly Detection: A Manifold Diffusion Recovery Approach [12.623417770432146]
  本稿では,データ内の低次元構造を利用した異常検出のための新しいエネルギーベースモデル(EBM)のトレーニング手法を提案する。 提案したアルゴリズムであるManifold Projection-Diffusion Recovery (MPDR) は、トレーニングデータセットを近似した低次元多様体に沿ったデータポイントを摂動する。 実験の結果,MPDRは多種多様なデータ型を含む様々な異常検出タスクに対して高い性能を示すことがわかった。
  論文  参考訳（メタデータ） (2023-10-28T11:18:39Z)
• STANLEY: Stochastic Gradient Anisotropic Langevin Dynamics for Learning Energy-Based Models [41.031470884141775]
  エネルギーベースモデル(EBM)のためのエンドツーエンド学習アルゴリズムを提案する。 本稿では、異方性段差と勾配インフォームド共分散行列に基づく新しい高次元サンプリング法を提案する。 提案手法,すなわちSTANLEYは,新しいMCMC法を用いてエネルギーベースモデルを学習するための最適化アルゴリズムである。
  論文  参考訳（メタデータ） (2023-10-19T11:55:16Z)
• Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
  非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。 本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-05T00:23:34Z)
• Dynamic Mode Decomposition for data-driven analysis and reduced-order modelling of ExB plasmas: II. dynamics forecasting [3.203036813451742]
  最適化動的モード分解(OPT-DMD)と呼ばれる変数予測最適化に基づく動的モード分解(DMD)アルゴリズムの変種を開発する。 我々は、OPT-DMDの適用範囲を拡張し、このアルゴリズムからプラズマ力学の時間予測への線形ROMの能力について検討する。 OPT-DMDは、全てのプラズマ条件に対する一般適用性に限界があるにもかかわらず、計算コストの低いデータ駆動の低次モデルを開発するための信頼性の高い方法として証明されている。
  論文  参考訳（メタデータ） (2023-08-26T01:48:29Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• A machine-learning-based tool for last closed magnetic flux surface reconstruction on tokamak [58.42256764043771]
  トカマク装置による核融合発電は、クリーンエネルギーの持続可能な供給源として最も有望な方法の1つである。 トカマクの主な課題は、アクチュエータコイルと内部トカマクプラズマの相互作用によって決定される最後の閉じた磁束面(LCFS)を予測することである。 本研究では,実験データから自動的に学習する実験用超電導トカマク(EAST)からLCFSを再構築する機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:15:29Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)

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。