論文の概要: Probabilistic and Geometry Aware Neural Surrogate of Scrape Off Layer Plasma Simulations

• arxiv url: http://arxiv.org/abs/2609.28116v1
• Date: Wed, 23 Sep 2026 13:45:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.049909
• Title: Probabilistic and Geometry Aware Neural Surrogate of Scrape Off Layer Plasma Simulations
• Title（参考訳）: スクレイプオフ層プラズマシミュレーションにおけるニューラルサロゲートの確率的および幾何学的認識
• Abstract要約: トカマク境界プラズマシミュレーションのための高速サロゲートは、通常、大域的な操作点を細胞値の平坦なベクトルにマッピングする決定論的回帰器である。 本研究は両問題に対処する。我々はカービリニアメッシュを3つの固定サイズの画像テンソルに展開する。 その後、高感度システムに適した条件付きフローマッチングモデルが、この表現に基づいて訓練される。
• 参考スコア（独自算出の注目度）: 2.720699926154399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fast surrogates for tokamak boundary-plasma simulation are typically deterministic regressors mapping a global operating point to a flattened vector of cell values. Near the divertor detachment transition the steady state is not reliably single-valued. A point estimate must average over qualitatively different plasma states, and it arrives with no statement of confidence. Moreover, the flattened vector representation discards the geometric structure of the SOLPS-ITER mesh. This work addresses both problems. We unroll the curvilinear mesh into three fixed-size image tensors whose layout preserves cell adjacency and inverts exactly, letting a convolutional network act on the geometry without loss of information. A conditional flow matching model, well suited to highly sensitive systems, is then trained on this representation. The result is an efficient, scalable surrogate that captures multiple plausible outcomes even at sensitive operating points. Along a gas-puff scan, the predictive distribution splits into a hot and a cold mode across an early regime transition. A further check on synthetic data with an injected bifurcation of known size confirms the model recovers both branches rather than their average.
• Abstract（参考訳）: トカマク境界プラズマシミュレーションのための高速サロゲートは、通常、大域的な操作点を細胞値の平坦なベクトルにマッピングする決定論的回帰器である。 ダイバータ分離遷移の近傍では、定常状態は確実に単値ではない。 点推定は質的に異なるプラズマ状態よりも平均でなければならない。 さらに、平坦なベクトル表現は、SOLPS-ITERメッシュの幾何学構造を捨てる。 この仕事は両方の問題に対処する。 カービリニアメッシュを3つの固定サイズの画像テンソルに展開し、レイアウトはセルの隣接性を保ち、正確に逆転し、情報を失うことなく畳み込みネットワークがジオメトリに作用する。 その後、高感度システムに適した条件付きフローマッチングモデルが、この表現に基づいて訓練される。 その結果は効率的でスケーラブルなサロゲートであり、センシティブな操作ポイントでも複数の有効な結果が得られます。 ガスパフスキャンとともに、予測分布は初期の状態遷移を通して熱いモードと冷たいモードに分裂する。 既知の大きさの分岐を注入した合成データのさらなるチェックにより、モデルが平均ではなく両方の枝を復元することを確認した。

関連論文リスト

• SeamFlow: Structure-Aware Flow Matching on Edge Probabilities for Artist-Like UV Unwrapping [49.50766584180635]
  3次元表面切削のための新しい生成フレームワークSeamFlowを紹介する。 SeamFlowは例外的なセマンティックコヒーレンスと極めて低いパラメータ化歪みを実現する。
  論文  参考訳（メタデータ） (2026-09-04T05:31:09Z)
• What Does a Discrete Diffusion Model Learn? [71.03603607324338]
  離散拡散モデルは、デノイザ、スコア比、ブリッジプラグイン予測器などを学ぶ。 まず, 連続時間マルコフ連鎖 (CTMC) ELBO の任意のノイズ発生過程に対する厳密な導出から始める。 すべてのアイデンティティは、正確に解けるモデル上で近似なしで数値的に検証される。
  論文  参考訳（メタデータ） (2026-07-06T17:56:11Z)
• BayesFusion-SDF: Probabilistic Signed Distance Fusion with View Planning on CPU [0.0]
  ロボット工学、拡張現実、デジタル検査の鍵となる部分は、深度観測による密集した3D再構成である。 truncated signed distance function (TSDF)を含む従来の体積融合技術は、効率的で決定論的な幾何学的再構成を可能にする。 BayesFusion-SDF は、ボクセル距離上で定義された後部分布を持つスパースガウス確率場として幾何学を概念化する。
  論文  参考訳（メタデータ） (2026-02-23T10:44:15Z)
• Convolutional Surrogate for 3D Discrete Fracture-Matrix Tensor Upscaling [0.0]
  酸化3D領域から等価な水和伝導率テンソルKeqを予測する代理モデルを開発した。 3つのサロゲートはDFMシミュレーションによって生成されたデータに基づいて訓練され、それぞれ異なるフラクチャー-マトリクス伝導率のコントラストに対応する。 訓練されたモデルは、ほとんどのテストケースで0.22未満の正規化ルート平均二乗誤差で高い精度を達成する。
  論文  参考訳（メタデータ） (2026-01-19T23:53:58Z)
• DiffeoMorph: Learning to Morph 3D Shapes Using Differentiable Agent-Based Simulations [2.174820084855635]
  DiffeoMorphは、形態形成プロトコルを学ぶためのエンドツーエンドの差別化可能なフレームワークである。 エージェントの集団がターゲットの3D形状に変化するように誘導する。 DiffeoMorph は最小限のキューのみを用いて様々な形状を形成可能であることを示す。
  論文  参考訳（メタデータ） (2025-12-18T23:50:42Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• DecompX: Explaining Transformers Decisions by Propagating Token Decomposition [17.98083413705718]
  本稿では,トランスフォーマーモデルに対するベクトルベースの説明であるDecompXを提案する。 本提案は,すべてのエンコーダコンポーネントと分類ヘッドを含む既存のソリューションに対する利点を提供する。 DecompXは、様々なデータセットにおける既存の勾配ベースのアプローチとベクトルベースのアプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-06-05T13:46:31Z)
• Transformers meet Stochastic Block Models: Attention with Data-Adaptive Sparsity and Cost [53.746169882193456]
  最近の研究は、自己注意の二次的コストを克服するために、様々なスパークアテンションモジュールを提案している。 本稿では,それぞれの注意を混合メンバーシップブロックモデルで表現することで,両方の問題を解決するモデルを提案する。 我々のモデルは、以前の効率的な変種とオリジナルのトランスフォーマーより優れており、十分に注目されています。
  論文  参考訳（メタデータ） (2022-10-27T15:30:52Z)
• Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models [24.025975236316842]
  最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。 モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
  論文  参考訳（メタデータ） (2021-12-07T03:33:39Z)
• Probabilistic Numeric Convolutional Neural Networks [80.42120128330411]
  画像や時系列などの連続的な入力信号は、不規則にサンプリングされたり、値が欠けていたりすることは、既存のディープラーニング手法では困難である。 ガウス過程(GP)として特徴を表す確率的畳み込みニューラルネットワークを提案する。 次に、畳み込み層を、このGP上で定義されたPDEの進化として定義し、次いで非線形性とする。 実験では,SuperPixel-MNISTデータセットの先行技術と医療時間2012データセットの競合性能から,提案手法の誤差を3倍に削減できることが示されている。
  論文  参考訳（メタデータ） (2020-10-21T10:08:21Z)
• Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
  本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。 埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。 複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
  論文  参考訳（メタデータ） (2020-03-09T13:51:09Z)

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。