論文の概要: Data-Driven Reconstruction of Spatially Resolved Electron and Ion Energy Distributions from Macroscopic Plasma Quantities with Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2608.16519v1
- Date: Mon, 17 Aug 2026 13:02:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.70133
- Title: Data-Driven Reconstruction of Spatially Resolved Electron and Ion Energy Distributions from Macroscopic Plasma Quantities with Deep Neural Networks
- Title（参考訳）: 深部ニューラルネットワークを用いたマクロプラズマ量からの空間分解電子とイオンエネルギー分布のデータ駆動再構成
- Abstract要約: 先進的な診断技術を用いて、いくつかのマクロプラズマ観測装置を非侵襲的に測定することができる。
逆問題は、測定可能なマクロプラズマ量に基礎となる運動状態を再構築するのに十分な情報が含まれているかどうかである。
本研究では,3つの代表的な学習パラダイム,U-Net,FNO,MeshGraphNetを用いて,この逆写像を学習する。
- 参考スコア（独自算出の注目度）: 0.45880283710344055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatially resolved EEDFs/IEDFs provide essential kinetic information about low-temperature plasmas (LTPs) and play a central role in determining transport, chemical reaction rates, and plasma surface interactions. While kinetic simulations directly resolve these distributions, experimental measurements remain challenging and are often invasive, spatially limited, or require assumptions regarding the distribution shape such as a Maxwellian. However, several macroscopic plasma observables can be measured non-invasively using advanced diagnostic techniques, providing spatially resolved information about the plasma state. An important inverse problem is therefore whether readily measurable macroscopic plasma quantities contain sufficient information to reconstruct the underlying kinetic state. In this work, we investigate this problem by learning a nonlinear mapping from spatially resolved macroscopic plasma observables to the corresponding spatially resolved EEDFs/IEDFs using a deep learning framework. Paired datasets comprising 2D macroscopic observables and spatially resolved EDFs are generated using 2D-3V PIC-MCC simulations. Three representative learning paradigms, a U-Net, a FNO, and a MeshGraphNet, are employed in this study to learn this inverse mapping. The predicted EDFs reproduce both bulk plasma and sheath characteristics with good agreement to the PIC-MCC reference data, with the FNO providing the best overall performance. Beyond conventional metrics, physics-based validation demonstrates that the reconstructed EDFs accurately recover the corresponding density and temperature, and rate coefficients. These results demonstrate that macroscopic plasma observables encode sufficient information to infer important kinetic properties in LTPs, providing a potential foundation for surrogate kinetic modeling and next-generation plasma diagnostics.
- Abstract（参考訳）: 空間的に解決されたEEDF/IEDFは、低温プラズマ(LTP)に関する重要な運動情報を提供し、輸送、化学反応速度、およびプラズマ表面相互作用の決定において中心的な役割を果たす。
運動学シミュレーションはこれらの分布を直接解決するが、実験的な測定は困難であり、しばしば侵略的、空間的に制限され、マクスウェル群のような分布形態に関する仮定を必要とする。
しかし、先進的な診断技術を用いて、いくつかのマクロプラズマ観測装置を非侵襲的に測定することができ、プラズマ状態に関する空間的に解決された情報を提供する。
したがって、測定可能なマクロプラズマ量に基礎となる運動状態を再構築するのに十分な情報が含まれているかどうかが重要な逆問題である。
本研究では, 深層学習フレームワークを用いて, 空間分解型マクロプラズマ観測装置から対応する空間分解型EEDF/IEDFへの非線形マッピングを学習することにより, この問題を解明する。
2D-3V PIC-MCCシミュレーションを用いて、2Dマクロスコープ観測装置と空間分解EDFからなるペアデータセットを生成する。
本研究では,3つの代表的な学習パラダイム,U-Net,FNO,MeshGraphNetを用いて,この逆写像を学習する。
予測されたEDFはPIC-MCC参照データとよく一致してバルクプラズマとシース特性を再現し、FNOは全体的な性能を最高のものにした。
従来の測定値以外にも、物理に基づく検証では、再構成されたEDFが対応する密度と温度、レート係数を正確に回復することを示した。
これらの結果から, マクロプラズマオブザーバは, LTPにおける重要な運動特性を推測するのに十分な情報をエンコードし, 代理動力学モデルと次世代プラズマ診断の基礎となる可能性が示唆された。
関連論文リスト
- Accurate identification and measurement of the precipitate area by two-stage deep neural networks in novel chromium-based alloys [43.18932499199212]
クロム系超合金の開発には, 沈殿量率と粒径分布の効率的な測定が必要である。
従来の固定閾値画像処理は背景雑音に敏感であり、材料全体の一般化が不十分であり、手作業による測定がかなり必要である。
本研究では,TOLOv5とSegFormerをベースとしたエンドツーエンド2段階深層学習方式DT-SegNetを提案する。
論文 参考訳（メタデータ） (2026-06-20T15:50:58Z) - Energy-based models for diagnostic reconstruction and analysis in a laboratory plasma device [0.0]
エネルギーベースモデル(EBM)は、データ上の合同確率分布を学習するための強力で柔軟な方法を提供する。
EBMを実験室プラズマ物理学に応用し、高非線形現象を特徴とする領域である。
本研究は,実験室プラズマデータのESMに基づく生成モデリングの柔軟性と有効性を示すものである。
論文 参考訳（メタデータ） (2026-05-09T03:29:03Z) - The Machine Learning Approach to Moment Closure Relations for Plasma: A Review [0.12277343096128708]
このレビューは、改良されたプラズマクロージャモデルを開発する機械学習アプローチの最近の急増をコンパイルし、分析する。
データ駆動のクロージャを開発する上での課題と、これらの課題に対処するための今後の取り組みの方向性を強調します。
論文 参考訳（メタデータ） (2025-11-27T14:20:36Z) - Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。
分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。
細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
論文 参考訳（メタデータ） (2025-07-22T04:35:50Z) - Particle-based plasma simulation using a graph neural network [0.0]
このモデルは2桁の精度で従来のシミュレーションよりも長い時間ステップで精度を向上する。
この研究は、複雑なプラズマ力学を学習できることを示し、高速な微分可能シミュレータの開発を約束することを示している。
論文 参考訳（メタデータ） (2025-03-01T01:07:37Z) - Transformers from Diffusion: A Unified Framework for Neural Message Passing [79.9193447649011]
メッセージパッシングニューラルネットワーク(MPNN)は、デファクトクラスのモデルソリューションとなっている。
本稿では,拡散の誘導バイアスとエネルギーの層的制約を統合するエネルギー制約拡散モデルを提案する。
これらの知見に基づいて、我々はTransformer (DIFFormer)と呼ばれる新しいタイプのメッセージパッシングモデルを考案した。
論文 参考訳（メタデータ） (2024-09-13T17:54:41Z) - 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) - Deep Learning assisted microwave-plasma interaction based technique for
plasma density estimation [1.4680035572775534]
本稿では,マイクロ波-プラズマ相互作用に基づく非侵襲的診断を支援するDeep Learning (DL)を提案する。
プラズマからのマイクロ波散乱による電界パターンを利用して密度分布を推定する。
得られた結果から,線状プラズマ装置の密度の2次元半径分布を推定する上で有望な性能を示した。
論文 参考訳（メタデータ） (2023-04-28T12:27:23Z) - Unsupervised Discovery of Inertial-Fusion Plasma Physics using
Differentiable Kinetic Simulations and a Maximum Entropy Loss Function [77.34726150561087]
プラズマ運動学3次元偏微分方程式の微分可能解法を作成し, 領域固有の目的関数を導入する。
我々はこの枠組みを慣性融合に関する構成に適用し、最適化プロセスが新しい物理効果を利用することを示す。
論文 参考訳（メタデータ） (2022-06-03T15:27:33Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。