論文の概要: An Interpretable Operator-Learning Model for Electric Field Profile Reconstruction in Discharges Based on the EFISH Method

• arxiv url: http://arxiv.org/abs/2512.00359v1
• Date: Sat, 29 Nov 2025 07:05:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.192686
• Title: An Interpretable Operator-Learning Model for Electric Field Profile Reconstruction in Discharges Based on the EFISH Method
• Title（参考訳）: EFISH法による放電中の電界分布再構成のための解釈型演算子学習モデル
• Authors: Zhijian Yang, Edwin Setiadi Sugeng, Mhedine Alicherif, Tat Loon Chng,
• Abstract要約: 本研究では,性能が著しく向上した新しい機械学習モデルを提案する。 Decoder-DeepONet (DDON) と呼ばれるその主な強みは関数間マッピングの学習である。 ほぼ全てのケースにおいて、DDONモデルはより優れた一般化可能性、高い予測精度、より広い適用性を示す。
• 参考スコア（独自算出の注目度）: 1.8159327527122784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) models have recently been used to reconstruct electric field distributions from EFISH signal profiles-the 'inverse EFISH problem'. This addresses the line-of-sight EFISH inaccuracy caused by the Gouy phase shift in focused beams. A key benefit of this approach is that the accuracy of the reconstructed profile can be directly checked via a 'forward transform' of the EFISH equation. Motivated by this latest success, the present study introduces a novel ML model with markedly improved performance. Based on a more powerful operator-learning architecture, it goes beyond the ANNs and CNNs employed previously. Termed Decoder-DeepONet (DDON), its main strength is learning function-to-function mappings, essential for recovering electric field profiles of unknown shape. The superior performance of DDON is exemplified via a comparison with our published CNN model and the feasibility of a classical mathematical method, as well as its application to both discharge simulations and experimental EFISH data from a nanosecond pulsed discharge. In almost all cases, the DDON model exhibits better generalizability, higher prediction accuracy, and wider applicability. Furthermore, the intrinsic nature of this operator-learning architecture renders it less sensitive to the exact location(s) of the acquired data, enabling electric field reconstruction even with seemingly 'incomplete' input profiles--an issue often accompanying poor signal sensitivity. We also employ Integrated Gradients (IG) to identify the signal regions most critical to reconstruction accuracy, providing guidance on the optimal sampling window for EFISH acquisition. Overall, we believe that the DDON model is a robust and comprehensive model which can be readily applied to reconstruct 'bell-shaped' electric field profiles with an existing axis of symmetry, especially in non-equilibrium plasmas.
• Abstract（参考訳）: 機械学習(ML)モデルは近年,EFISH信号プロファイルから電界分布を再構成するために用いられている。 これは、集束ビームにおけるグーイ位相シフトに起因する視線EFISH不正確性に対処する。 このアプローチの重要な利点は、再構成されたプロファイルの精度がEFISH方程式の「前方変換」によって直接チェックできることである。 この最新の成功に触発された本研究では,性能が著しく向上した新しいMLモデルを提案する。 より強力な演算子学習アーキテクチャに基づいて、以前採用したANNやCNNを超えている。 Decoder-DeepONet (DDON) と呼ばれるその主な強みは、未知形状の電場プロファイルの復元に不可欠な関数-関数間マッピングの学習である。 DDONの優れた性能は、我々の発表したCNNモデルとの比較と古典的な数学的手法の実現性、およびナノ秒パルス放電による放電シミュレーションと実験ESFISHデータの両方への応用により実証される。 ほぼ全てのケースにおいて、DDONモデルはより優れた一般化可能性、高い予測精度、より広い適用性を示す。 さらに、この演算子学習アーキテクチャの本質的な性質は、取得したデータの正確な位置(s)に対する感度を低くし、「不完全な」入力プロファイルのように見える場合でも電場再構成を可能にする。 また、EFISH取得のための最適なサンプリングウィンドウのガイダンスを提供するために、IG(Integrated Gradients)を用いて、再構成精度に最も重要な信号領域を識別する。 全体として、DDONモデルは強靭で包括的なモデルであり、特に非平衡プラズマにおいて、既存の対称性の軸を持つ「ベル型」電場プロファイルの再構成に容易に適用できると信じている。

関連論文リスト

• AQCat25: Unlocking spin-aware, high-fidelity machine learning potentials for heterogeneous catalysis [0.0]
  AQCat25は13.5万密度汎関数理論(DFT)単点計算を補完するデータセットである。 我々は、AQCat25のような新しいデータセットとより広範なOpen Catalyst 2020 (OC20)データセットを統合する方法を検討する。 例えば、FiLM(Feature-wise Linear Modulation)を用いることで、この課題に対処できることを示す。
  論文  参考訳（メタデータ） (2025-10-27T02:47:20Z)
• FoilDiff: A Hybrid Transformer Backbone for Diffusion-based Modelling of 2D Airfoil Flow Fields [1.5749416770494706]
  FoilDiffは、ハイブリッドバックボーンデノナイジングネットワークを備えた拡散ベースのサロゲートモデルである。 既存の拡散モデルよりも正確な予測とより良い校正された予測の不確実性を提供することができる。
  論文  参考訳（メタデータ） (2025-10-05T19:10:38Z)
• Angles Don't Lie: Unlocking Training-Efficient RL Through the Model's Own Signals [49.17123504516502]
  大規模言語モデル(LLM)のためのRFTパラダイムは、均一なデータサンプリングの下で同じクエリが冗長に露出するため、効率が悪い。 グラディエント駆動型アングルインフォームドナビゲーションRLフレームワークを提案する。 モデル固有の角度集中信号を利用することで、GAIN-RLは各エポックにおけるトレーニングデータを動的に選択し、一貫したインパクトのある勾配更新を確実にする。
  論文  参考訳（メタデータ） (2025-06-02T21:40:38Z)
• Bayesian Model Parameter Learning in Linear Inverse Problems: Application in EEG Focal Source Imaging [49.1574468325115]
  逆問題は、関心のシグナルを直接観測できない限定データ問題として記述することができる。 未知の非線形モデルパラメータを含む線形逆問題について検討した。 ベイズモデルに基づく学習手法を用いて,信号の回復とモデルパラメータの推定を行った。
  論文  参考訳（メタデータ） (2025-01-07T18:14:24Z)
• An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
  深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。 本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。 本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
  論文  参考訳（メタデータ） (2024-10-24T18:15:48Z)
• PiRD: Physics-informed Residual Diffusion for Flow Field Reconstruction [5.06136344261226]
  データ忠実度向上のためのCNNベースの手法は、トレーニング期間中の低忠実度データパターンと分布に依存している。 提案したモデルである物理インフォームド残差拡散(Residual Diffusion)は、標準の低忠実度入力からデータの品質を高める能力を示す。 実験結果から, 2次元乱流に対して, 再学習を必要とせず, 高品質な流れを効果的に再現できることが示唆された。
  論文  参考訳（メタデータ） (2024-04-12T11:45:51Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)

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。