論文の概要: Multiscale autonomous forecasting of plasma systems' dynamics using neural networks
- arxiv url: http://arxiv.org/abs/2502.11203v1
- Date: Sun, 16 Feb 2025 17:02:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:08:40.991718
- Title: Multiscale autonomous forecasting of plasma systems' dynamics using neural networks
- Title（参考訳）: ニューラルネットワークを用いたプラズマ系のダイナミクスのマルチスケール自律予測
- Authors: Farbod Faraji, Maryam Reza,
- Abstract要約: 本稿では,階層型マルチスケールニューラルネットワークアーキテクチャの自律プラズマ予測への応用を実証する。
ファインスケールネットワークは高速進化機能を正確に解決し、粗いスケールネットワークはより広い時間的コンテキストを提供する。
本研究により, 従来の単スケールネットワークよりも高い性能を示した。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Plasma systems exhibit complex multiscale dynamics, resolving which poses significant challenges for conventional numerical simulations. Machine learning (ML) offers an alternative by learning data-driven representations of these dynamics. Yet existing ML time-stepping models suffer from error accumulation, instability, and limited long-term forecasting horizons. This paper demonstrates the application of a hierarchical multiscale neural network architecture for autonomous plasma forecasting. The framework integrates multiple neural networks trained across different temporal scales to capture both fine-scale and large-scale behaviors while mitigating compounding error in recursive evaluation. Fine-scale networks accurately resolve fast-evolving features, while coarse-scale networks provide broader temporal context, reducing the frequency of recursive updates and limiting the accumulation of small prediction errors over time. We first evaluate the method using canonical nonlinear dynamical systems and compare its performance against classical single-scale neural networks. The results demonstrate that single-scale neural networks experience rapid divergence due to recursive error accumulation, whereas the multiscale approach improves stability and extends prediction horizons. Next, our ML model is applied to two plasma configurations of high scientific and applied significance, demonstrating its ability to preserve spatial structures and capture multiscale plasma dynamics. By leveraging multiple time-stepping resolutions, the applied framework is shown to outperform conventional single-scale networks for the studied plasma test cases. The results of this work position the hierarchical multiscale neural network as a promising tool for efficient plasma forecasting and digital twin applications.
- Abstract（参考訳）: プラズマシステムは複雑なマルチスケール力学を示し、従来の数値シミュレーションでは大きな課題となっている。
機械学習(ML)は、これらのダイナミックスのデータ駆動表現を学習する代替手段を提供する。
しかし、既存のMLタイムステッピングモデルは、エラーの蓄積、不安定性、長期予測の地平線に悩まされている。
本稿では,階層型マルチスケールニューラルネットワークアーキテクチャの自律プラズマ予測への応用を実証する。
このフレームワークは、異なる時間スケールでトレーニングされた複数のニューラルネットワークを統合して、再帰的評価において複合エラーを緩和しながら、微細な振る舞いと大規模動作の両方をキャプチャする。
粗いスケールのネットワークは、より広い時間的文脈を提供し、再帰的な更新の頻度を減らし、時間とともに小さな予測エラーの蓄積を制限する。
まず、正準非線形力学系を用いて評価を行い、その性能を古典的な単一スケールニューラルネットワークと比較した。
その結果、単一スケールのニューラルネットワークは再帰的エラー蓄積による急激なばらつきを経験する一方、マルチスケールのアプローチは安定性を改善し、予測地平線を延長することを示した。
次に、我々のMLモデルは、空間構造を保存し、マルチスケールのプラズマ力学を捕捉する能力を実証し、科学的および応用的な2つのプラズマ構成に適用する。
複数のタイムステッピング分解能を活用することにより, 従来の単スケールネットワークよりも優れた性能を示すことを示す。
この研究の結果、階層型マルチスケールニューラルネットワークは効率的なプラズマ予測とデジタルツイン応用のための有望なツールとして位置づけられた。
関連論文リスト
- Towards Scalable and Versatile Weight Space Learning [51.78426981947659]
本稿では,重み空間学習におけるSANEアプローチを紹介する。
ニューラルネットワーク重みのサブセットの逐次処理に向けて,超表現の概念を拡張した。
論文 参考訳（メタデータ） (2024-06-14T13:12:07Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Do We Need an Encoder-Decoder to Model Dynamical Systems on Networks? [18.92828441607381]
埋め込みは観察によく適合するが、同時に誤った動的挙動を持つモデルを誘導することを示す。
2つの加法的ベクトル場成分をパラメトリした単純な埋め込み自由な代替法を提案する。
論文 参考訳（メタデータ） (2023-05-20T12:41:47Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Brain-Inspired Spiking Neural Network for Online Unsupervised Time
Series Prediction [13.521272923545409]
連続学習に基づく非教師付きリカレントスパイキングニューラルネットワークモデル(CLURSNN)を提案する。
CLURSNNは、ランダム遅延埋め込み(Random Delay Embedding)を使用して基盤となる動的システムを再構築することで、オンライン予測を行う。
提案手法は,進化するロレンツ63力学系を予測する際に,最先端のDNNモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-04-10T16:18:37Z) - A critical look at deep neural network for dynamic system modeling [0.0]
本稿では,入力出力データを用いた動的システムのモデリングにおける(深度)ニューラルネットワークの能力に疑問を呈する。
線形時間不変(LTI)力学系の同定には、2つの代表的なニューラルネットワークモデルを比較する。
LTIシステムでは、LSTMとCFNNはノイズのないケースでも一貫したモデルを提供できない。
論文 参考訳（メタデータ） (2023-01-27T09:03:05Z) - A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - Mitigating Performance Saturation in Neural Marked Point Processes:
Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。
我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2021-07-07T16:59:14Z) - On the reproducibility of fully convolutional neural networks for
modeling time-space evolving physical systems [0.0]
ディープラーニング完全畳み込みニューラルネットワークは、同じ条件で同じネットワークを数回トレーニングすることで評価される。
ダブル浮動小数点精度で実施したトレーニングは、ネットワークパラメータとテストエラー範囲の両方のばらつきを大幅に低減し、見積もりをわずかに改善する。
論文 参考訳（メタデータ） (2021-05-12T07:39:30Z) - Stochastic Recurrent Neural Network for Multistep Time Series
Forecasting [0.0]
我々は、時系列予測のための繰り返しニューラルネットワークの適応を提案するために、深部生成モデルと状態空間モデルの概念の進歩を活用する。
私たちのモデルは、すべての関連情報が隠された状態でカプセル化されるリカレントニューラルネットワークのアーキテクチャ的な動作を保ち、この柔軟性により、モデルはシーケンシャルモデリングのために任意のディープアーキテクチャに簡単に統合できます。
論文 参考訳（メタデータ） (2021-04-26T01:43:43Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。