論文の概要: Toward a Multimodal Foundation Model for Plasma State Reconstruction

• arxiv url: http://arxiv.org/abs/2610.15076v1
• Date: Sat, 10 Oct 2026 17:18:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:44:48.254104
• Title: Toward a Multimodal Foundation Model for Plasma State Reconstruction
• Title（参考訳）: プラズマ状態再構成のためのマルチモーダル基礎モデルに向けて
• Abstract要約: 磁気リコネクション中のプラズマ状態再構成のためのマルチモーダル基礎モデルの概念実証を行う。 このモデルは、24の時間フレームを全て保存する空間のみのプーリングと、グローバルな自己アテンションと回転位置エンコーディングを組み合わせたものである。 磁気観測がなければ、約1%の可視性は、完全に観測された磁場で達成された密度再構成の精度に近づく。
• 参考スコア（独自算出の注目度）: 3.8824973097248594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plasma experiments observe coupled physical states through sparse, heterogeneous, and incomplete diagnostics. We present a proof of concept toward a multimodal foundation model for plasma state reconstruction during magnetic reconnection, motivated by the Facility for Laboratory Reconnection Experiments (FLARE). Using 250 synthetic VPIC simulations at fixed reference electron beta $β_{e0}=0.2$, with 225 training runs and 25 disjoint validation runs, we train a 5.5M-parameter residual 3D U-Net to reconstruct three magnetic-field components and electron density from incomplete observations. The model combines spatial-only pooling, which preserves all 24 temporal frames, with global spatiotemporal self-attention and rotary positional encoding. Independently masking magnetic and density modalities across random, grid, block, and temporal patterns enables sparse sensing, cross-modal completion, density super-resolution, and temporal completion with a single set of weights and no task-specific retraining. With density fully hidden, just 0.1% magnetic spatial visibility reduces median density NRMSE from approximately 0.9 to 0.1. Conversely, observed density improves current-density reconstruction when magnetic data are absent or extremely sparse. With no magnetic observations, roughly 1% density visibility approaches the density reconstruction accuracy achieved with fully observed magnetic fields, although current structure remains more dependent on direct magnetic measurements. Full magnetic conditioning also stabilizes completion of missing future density frames. These results demonstrate bidirectional cross-modal predictive coupling within this simulation regime. Generalization across plasma regimes or to experimental measurements remains untested.
• Abstract（参考訳）: プラズマ実験はスパース、ヘテロジニアス、不完全な診断を通じて結合した物理的状態を観察する。 本稿では,FLARE(Institute for Laboratory Reconnection Experiments)をモチベーションとした,磁気リコネクション中のプラズマ状態再構築のためのマルチモーダル基礎モデルを提案する。 固定基準電子ベータ$β_{e0}=0.2$で250の合成VPICシミュレーションを行い、225回のトレーニングと25回の解離検証を行い、5.5Mパラメータ残差3D U-Netをトレーニングし、3つの磁場成分と電子密度を不完全な観測から再構成する。 このモデルは、24の時間フレームを全て保存する空間のみのプーリングと、グローバルな時空間自己アテンションと回転位置エンコーディングを組み合わせたものである。 ランダム、グリッド、ブロック、時間的パターンにまたがる磁気と密度の変調を個別に隠蔽することで、スパースセンシング、クロスモーダル補完、密度超解像、時間的完了を単一の重みのセットで実現し、タスク固有のリトレーニングを行わない。 密度が完全に隠されているため、磁気空間の可視性はわずか0.1%であり、中央値密度のNEMSEは0.9から0.1に減少する。 逆に、観測された密度は、磁気データが欠如している場合や極めてスパースである場合、電流密度再構成を改善する。 磁気観測がなければ、約1%の密度可視性は、完全な磁場で達成された密度再構成の精度に近づくが、現在の構造は直接磁気測定に依存している。 完全な磁気条件付けは、将来の密度フレームの完成を安定化させる。 これらの結果は、このシミュレーションシステム内での双方向の相互モーダル予測結合を示す。 プラズマ状態全体や実験的な測定への一般化はまだ実証されていない。

関連論文リスト

• Generative Nested Sampling of Atomistic Thermodynamic Landscapes [37.547720439639015]
  フローベースネストサンプリングは重力波(GW)推論のボトルネックを取り除く。 PBC の LJ ディスクは, エネルギー評価を2桁以上, 壁面時を約3分の1以上削減することを示した。 PBCのLJディスクの場合、このアルゴリズムはエネルギー評価を2桁以上、壁時計時間はおよそ3分の1以上削減する。
  論文  参考訳（メタデータ） (2026-09-02T22:21:10Z)
• Learning the Kohn-Sham map with neural operators for quasi-linear scaling density functional theory [57.90994363143731]
  コーン-シャム密度汎関数理論(DFT)は電子構造シミュレーションの基盤となる。 繰り返しの軌道対角化は立方体スケーリングをもたらし、量子計算を控えめなスケールに制限する。 我々は、コーン・シャムポテンシャルを対応する密度と非相互作用運動エネルギーに直接マッピングする軌道自由DFTの学習目標を開発する。
  論文  参考訳（メタデータ） (2026-08-24T23:05:42Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
  物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。 PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。 これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
  論文  参考訳（メタデータ） (2026-05-29T07:26:35Z)
• Mean-field phase diagrams of spinor bosons in an optical cavity [0.0]
  外部格子ノードがキャビティフィールドの反ノードと一致する場合の最も単純なケースについて論じる。 反強磁性モット(AFM)と強磁性密度波(FDW)の2種類の磁気位相を示すことを示す。 全磁化ゼロの場合、3つの超固体状態のうち2つのみが生き残り、FDW相は絡み合った密度波(EDW)に置き換えられる。
  論文  参考訳（メタデータ） (2026-04-16T08:31:49Z)
• Application of parametric Shallow Recurrent Decoder Network to magnetohydrodynamic flows in liquid metal blankets of fusion reactors [0.0]
  本研究では,MHD状態再構成のための完全データ駆動型フレームワークについて検討する。 SHRED(SHallow Recurrent Decoder)は、フルタイム状態の再構築を目的としたニューラルネットワークアーキテクチャである。 SHREDは、トレーニング中に見られない高い再構成精度、一般化、磁場強度、配向、時間的進化を実現する。
  論文  参考訳（メタデータ） (2026-04-02T15:12:24Z)
• Surrogate models for nuclear fusion with parametric Shallow Recurrent Decoder Networks: applications to magnetohydrodynamics [0.0]
  本研究では,MHD状態再構成のためのデータ駆動型フレームワークについて検討する。 SHREDは、スパース時系列測定からフルタイム状態を回復するために設計されたニューラルネットワークアーキテクチャである。 その結果, SHREDはトレーニングセットに含まれない磁場強度に対しても, 完全MHD状態を正確に再構成することがわかった。
  論文  参考訳（メタデータ） (2026-03-11T11:43:39Z)
• Clarifying the Ti-V Phase Diagram Using First-Principles Calculations and Bayesian Learning [42.418429168532406]
  チタン-バナジウム(Ti-V)二元合金が体中心立方晶(BCC)の相違点を示すか、あるいは完全に可溶であるかについては、対立する実験は意見が一致しない。 先導的な仮説は、合金の調製時の酸素汚染の相違によるものである。 我々は、活発に訓練されたモーメント図と自由エネルギー表面の推測を結合するab initio + machine-learningワークフローを使用する。
  論文  参考訳（メタデータ） (2025-06-21T14:09:15Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• Electronic-structure properties from atom-centered predictions of the electron density [0.0]
  分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。 最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。 予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-28T15:35:55Z)

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。