論文の概要: Learning robust parameter inference and density reconstruction in flyer plate impact experiments

• arxiv url: http://arxiv.org/abs/2506.23914v1
• Date: Mon, 30 Jun 2025 14:43:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:54.105404
• Title: Learning robust parameter inference and density reconstruction in flyer plate impact experiments
• Title（参考訳）: フライヤープレート衝突実験におけるロバストパラメータ推定と密度再構成の学習
• Authors: Evan Bell, Daniel A. Serino, Ben S. Southworth, Trevor Wilcox, Marc L. Klasky,
• Abstract要約: 物理パラメータや物質特性を実験観測から推定することは、物理学や材料科学の多くの分野において共通の目的である。 ラジオグラフィーは、密度などのキー状態変数への直接アクセスを提供しない。 本研究では,低速・高衝撃速度実験・シミュレーションによる観測可能データセットを提案する。 得られたEoSおよび破砕モデルパラメータの推算値を用いて, 高精度で物理的に許容できる密度再構成が得られることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating physical parameters or material properties from experimental observations is a common objective in many areas of physics and material science. In many experiments, especially in shock physics, radiography is the primary means of observing the system of interest. However, radiography does not provide direct access to key state variables, such as density, which prevents the application of traditional parameter estimation approaches. Here we focus on flyer plate impact experiments on porous materials, and resolving the underlying parameterized equation of state (EoS) and crush porosity model parameters given radiographic observation(s). We use machine learning as a tool to demonstrate with high confidence that using only high impact velocity data does not provide sufficient information to accurately infer both EoS and crush model parameters, even with fully resolved density fields or a dynamic sequence of images. We thus propose an observable data set consisting of low and high impact velocity experiments/simulations that capture different regimes of compaction and shock propagation, and proceed to introduce a generative machine learning approach which produces a posterior distribution of physical parameters directly from radiographs. We demonstrate the effectiveness of the approach in estimating parameters from simulated flyer plate impact experiments, and show that the obtained estimates of EoS and crush model parameters can then be used in hydrodynamic simulations to obtain accurate and physically admissible density reconstructions. Finally, we examine the robustness of the approach to model mismatches, and find that the learned approach can provide useful parameter estimates in the presence of out-of-distribution radiographic noise and previously unseen physics, thereby promoting a potential breakthrough in estimating material properties from experimental radiographic images.
• Abstract（参考訳）: 物理パラメータや物質特性を実験観測から推定することは、物理学や材料科学の多くの分野において共通の目的である。 多くの実験、特に衝撃物理学において、ラジオグラフィーは関心の系を観察する主要な手段である。 しかし、ラジオグラフィーは、従来のパラメータ推定手法の適用を阻止する密度のようなキー状態変数への直接アクセスを提供していない。 本稿では,多孔質材料に対するフライヤープレート衝撃実験に着目し,基礎となるパラメータ化状態方程式(EoS)を解くとともに,放射光観測によるポロシティモデルパラメータを分解する(s)。 我々は機械学習をツールとして使用し、高い衝撃速度データのみを使用することで、完全に解決された密度場やダイナミックな画像列であっても、EoSとクラッシュモデルパラメータの両方を正確に推測するのに十分な情報が得られないことを確実に示す。 そこで本研究では,低速・高速度実験・シミュレーションによる観測可能なデータセットを提案するとともに,放射線画像から直接物理パラメータの後方分布を生成する生成機械学習手法を提案する。 本研究では, シミュレーションされたフライアプレート衝突実験からパラメータを推定する手法の有効性を実証し, 得られたEoSおよび破砕モデルパラメータの推算値を用いて, 高精度で物理的に許容できる密度再構成が得られることを示す。 最後に, モデルミスマッチに対するアプローチのロバスト性について検討し, 実験により得られた手法により, 分布外ノイズや従来観測されなかった物理の存在下で, 有用なパラメータ推定が可能であることを確認し, 実験的なX線画像から材料特性を推定する際の潜在的ブレークスルーを推し進める。

関連論文リスト

• Learning physical unknowns from hydrodynamic shock and material interface features in ICF capsule implosions [0.0]
  高エネルギー密度物理(HEDP)と慣性閉じ込め融合(ICF)では、予測モデリングは、モデル化システムの様々な側面を特徴づけるパラメータの不確実性によって複雑である。 本研究では,そのパラメータを直接推測するために,外装衝撃プロファイルと外装材料エッジから得られた疎流体力学特性の集合を定義する。 推定パラメータは, 密度場, 流体衝撃, およびデータに整合した外縁特性を得るために, 流体力学コードで利用できることを示す。
  論文  参考訳（メタデータ） (2024-12-28T16:05:41Z)
• 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)
• Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
  本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。 提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。 ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
  論文  参考訳（メタデータ） (2022-04-29T11:55:35Z)
• 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)
• Bayesian Calibration of imperfect computer models using Physics-informed priors [0.0]
  本稿では,計算機モデルの物理パラメータの不確かさを定量化するのに適した,計算効率の良いデータ駆動フレームワークを提案する。 我々はこれを完全にベイズ的枠組みに拡張し、物理パラメータの不確かさとモデル予測の定量化を可能にした。 この研究は、高血圧の個人治療のための心臓の血行動態の解釈可能なパラメータの必要性によって動機付けられている。
  論文  参考訳（メタデータ） (2022-01-17T15:16:26Z)
• Combining data assimilation and machine learning to estimate parameters of a convective-scale model [0.0]
  対流を許容する数値気象予測モデルにおける雲の表現の誤差は、異なる情報源によって導入することができる。 本研究では,2種類のニューラルネットワークをトレーニングすることにより,人工知能レンズによるパラメータ推定の問題を検討する。
  論文  参考訳（メタデータ） (2021-09-07T09:17:29Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。