Fugu-MT 論文翻訳(概要): Reconstruction of Multiscale Plasma Dynamics Across Operating Regimes

論文の概要: Reconstruction of Multiscale Plasma Dynamics Across Operating Regimes

arxiv url: http://arxiv.org/abs/2610.11004v1
Date: Wed, 07 Oct 2026 23:36:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-10 02:36:53.704461
Title: Reconstruction of Multiscale Plasma Dynamics Across Operating Regimes
Title（参考訳）: 動作レジームにおけるマルチスケールプラズマダイナミクスの再構築
Abstract要約: Recurrent Multiscale Affine-modulated Inference Network (ReMAIN)を紹介する。 ReMAINはSHREDのテンポラリなテンポラリエンコーディングを保存するが、デコーダをU-Netに置き換える。パラメトリック拡張は、操作条件とセンサ履歴を共同で埋め込むことで、制御ダイナミクスがオペレーショナルレジームとともに変化するにつれて、再構成が適応できる。
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: Reconstructing spatially resolved plasma dynamics from few sensors is essential for diagnostics, reduced-order modelling and control, yet remains difficult because the sparse measurements incompletely constrain multiscale, regime-dependent degrees of freedom. The Shallow Recurrent Decoder (SHRED) partially addresses spatial sparsity by using measurement histories; however, its fully connected decoder provides no explicit mechanism for resolving spatial structure across scales or explicit parametric dependency. We introduce the Recurrent Multiscale Affine-modulated Inference Network (ReMAIN), which preserves SHRED's recurrent temporal encoding but replaces its decoder with a U-Net whose feature hierarchy is conditioned by the recurrent state through feature-wise linear modulation. The temporal representation supplies both a dense prior and scale-specific modulation throughout the U-Net. A parametric extension jointly embeds the operating condition and sensor history, enabling reconstruction to adapt as the governing dynamics change with operating regime. ReMAIN is first benchmarked against SHRED on six one-dimensional nonlinear PDEs representing diverse dynamics. Across all benchmarks, it reduces reconstruction errors on unseen trajectories and more faithfully resolves sharp transitions, localized extrema and fine-scale variations. The parameter-conditioned model is then demonstrated on a collisionless $E \times B$ plasma subject to perpendicular axial electric and radial magnetic fields, with the electric-field strength serving as the operating parameter. ReMAIN reconstructs the high-dimensional, multiscale plasma state and recovers its regime-dependent spatiotemporal dynamics at electric-field strengths withheld from training. Together, ReMAIN improves sparse-sensor full-state reconstruction and, through parameter conditioning, generalizes across plasma operating regimes.
Abstract（参考訳）: 少数のセンサから空間分解されたプラズマ力学を再構成することは、診断、低次モデリング、制御に不可欠であるが、スパース測定は多スケールで状態に依存した自由度を不完全に制限するため、依然として困難である。シャロー・リカレント・デコーダ (SHRED) は測定履歴を用いて空間空間の疎結合性に部分的に対処するが、完全に連結されたデコーダは空間構造をスケールやパラメトリック依存によって解決するための明確なメカニズムを提供しない。本稿では、SHREDの繰り返し時間符号化を保存するRecurrent Multiscale Affine-modulated Inference Network(ReMAIN)を紹介する。時間的表現は、U-Net全体にわたる密度の高い事前変調とスケール固有の変調の両方を提供する。パラメトリック拡張は、操作条件とセンサ履歴を共同で埋め込むことで、制御ダイナミクスがオペレーショナルレジームとともに変化するにつれて、再構成が適応できる。 ReMAINはSHREDに対して、様々なダイナミクスを表す6つの1次元非線形PDEに対して最初にベンチマークされる。すべてのベンチマークにおいて、目に見えない軌跡の復元誤差を低減し、より忠実にシャープな遷移、局所化された極端、そして微細な変動を解消する。パラメータ条件付きモデルは、垂直軸流および放射磁場を受ける衝突のない$E \times B$プラズマ上で実証され、電界強度が演算パラメータとして機能する。 ReMAINは、高次元のマルチスケールプラズマ状態を再構成し、トレーニングを伴わない電界強度における状態依存性の時空間ダイナミクスを回復する。同時に、ReMAINはスパースセンサーのフルステート再構築を改善し、パラメータ条件付けによってプラズマ操作系全体にわたって一般化する。

関連論文リスト

Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
論文参考訳（メタデータ） (2026-09-29T11:24:19Z)
Physics-Aware Complex-Valued State Space Model with Scattering-Prior Feature Modulation for PolSAR Image Classification [5.148573890943571]
本稿では,PolSAR画像分類のための複素数値状態空間ネットワークCV-SSMNetを提案する。 CV-SSMNetは、マルチスケールの複雑な畳み込み、ブランチワイドCV-SSMエンコーディング、事前誘導リカバリ、軽量グローバルコンテキストアグリゲーションを統合している。 3つのLバンドベンチマークデータセットと追加のPバンドBIOMASS評価実験により、CV-SSMNetは競争精度、地域整合性の改善、境界保存の改善を実現している。
論文参考訳（メタデータ） (2026-07-22T06:10:53Z)
From Complex Dynamics to DynFormer: Rethinking Transformers for PDEs [6.873342825786888]
トランスフォーマーベースのニューラルオペレータは、強力なデータ駆動型代替手段として登場した。動的インフォームドニューラル演算子DynFormerを提案する。我々はDynFormerが、最先端のベースラインと比較して95%の相対誤差を削減できることを示す。
論文参考訳（メタデータ） (2026-03-03T15:45:09Z)
From Sparse Sensors to Continuous Fields: STRIDE for Spatiotemporal Reconstruction [3.2580743227673694]
時空間デコーダを用いた高次元空間場を潜時状態にマッピングするフレームワークSTRIDEを提案する。 STRIDEは超高分解能をサポートし、超高分解能をサポートし、ノイズに対して頑健であることを示す。
論文参考訳（メタデータ） (2026-02-04T04:39:23Z)
Deep Delta Learning [91.75868893250662]
本稿では,標準残差接続を一般化した新しいアーキテクチャであるDeep Delta Learning(DDL)を紹介する。我々はこの演算子のスペクトル解析を行い、ゲート$(mathbfX)$がアイデンティティマッピング、投影、幾何反射のダイナミックな相互作用を可能にすることを示した。この統合により、ネットワークは階層的な遷移作用素のスペクトルを明示的に制御することができ、複雑な非単調力学のモデリングを可能にする。
論文参考訳（メタデータ） (2026-01-01T18:11:38Z)
MambaX: Image Super-Resolution with State Predictive Control [48.76194230142064]
Mambaは、再構築プロセス全体を複数のノードによる状態シーケンスとして表現し、中間的介入を可能にする、有望なアプローチとして登場した。我々は、連続するスペクトル帯域を潜在状態空間にマッピングする非線形状態予測制御モデル textbfMambaX を作成し、制御方程式の非線形状態パラメータを動的に学習することでSRタスクを一般化した。本評価では, 単一像SRと多モード融合型SRの両タスクにおいて, 動的スペクトル状態表現モデルの優れた性能を示す。
論文参考訳（メタデータ） (2025-11-22T11:44:09Z)
Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
論文参考訳（メタデータ） (2025-07-10T12:36:20Z)
Learning to Dissipate Energy in Oscillatory State-Space Models [51.98491034847041]
状態空間モデル (SSM) はシーケンス学習のためのネットワークのクラスである。我々は,D-LinOSSがLinOSSの手法を長距離学習タスクで一貫して上回っていることを示す。
論文参考訳（メタデータ） (2025-05-17T23:15:17Z)
Reduced Order Modeling with Shallow Recurrent Decoder Networks [5.686433280542813]
SHRED-ROMは、数値的に不安定な逆近似を符号化する堅牢な復号のみの戦略である。 SHRED-ROMは、固定センサや移動センサの限られた値から、新しいパラメータ値の状態を正確に再構成する。
論文参考訳（メタデータ） (2025-02-15T23:41:31Z)
Physics-Driven Autoregressive State Space Models for Medical Image Reconstruction [5.208643222679356]
本研究では,高忠実かつ効率的な画像再構成のための物理駆動自己回帰状態空間モデル(SSM)であるMambaRollを提案する。 MambaRollは、各カスケードが粗いスケールの表現でより微細な特徴マップを自動回帰予測するアンロールアーキテクチャを採用している。 MambaRoll は最新 CNN 法, Transformer- 法, SSM 法を常に上回っている。
論文参考訳（メタデータ） (2024-12-12T14:59:56Z)

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。