論文の概要: AI4Plasma I: Data-Efficient Surrogate Modeling of Capacitively Coupled Plasma Fields
- arxiv url: http://arxiv.org/abs/2611.15002v1
- Date: Wed, 11 Nov 2026 04:00:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.005367
- Title: AI4Plasma I: Data-Efficient Surrogate Modeling of Capacitively Coupled Plasma Fields
- Title(参考訳): AI4プラズマI:容量結合プラズマ場のデータ効率の良い代理モデリング
- Abstract要約: 1%および2%の平均相対L2誤差を達成するために必要な基準シミュレーション数を評価した。
1Dでは、FNOは50のトレーニングケースで1%の内部エラーに達し、Transolverは100、U-Netは200である。
2DではFNOとTransolverはそれぞれ2%のパラメータ境界誤差を200のケースで達成し、U-Netでは400である。
- 参考スコア(独自算出の注目度): 10.544000046703372
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reference capacitively coupled plasma (CCP) simulations provide spatially resolved plasma fields but are costly to generate across operating conditions. We compare the data efficiency of five surrogate architectures--Coordinate MLP, PCA-Net, U-Net, Fourier neural operator (FNO), and Transolver--for predicting RF-cycle-averaged electron density, ion density, electric potential, and electron temperature in 1D planar and 2D axisymmetric GEC CCP benchmarks. We assess the number of reference simulations needed to achieve 1% and 2% mean relative L2 error for parameter-interior and parameter-boundary test cases, and examine architecture-specific mechanisms. FNO achieves the lowest or joint-lowest reference-case requirement in seven of eight comparisons. In 1D, FNO reaches 1% interior error with 50 training cases, compared with 100 for Transolver and 200 for U-Net. In 2D, FNO and U-Net each reach 1% interior error with 100 cases; FNO and Transolver each reach 2% parameter-boundary error with 200 cases, compared with 400 for U-Net. At the stricter 1% 2D parameter-boundary target, Transolver requires 400 cases versus 800 for FNO. Additional analyses investigate FNO spectral modes and padding, U-Net skip connections, Transolver adaptive slicing, and PCA-Net projection versus prediction error. The results support FNO as a data-efficient baseline for the tested CCP settings, while showing that the preferred architecture depends on the accuracy target and operating-parameter region.
- Abstract(参考訳): 参照容量結合プラズマ(CCP)シミュレーションは、空間的に解決されたプラズマ場を提供するが、動作条件を越えて生成するのにコストがかかる。
MLP, PCA-Net, U-Net, Fourier Neural operator (FNO), Transolverの5つのサロゲートアーキテクチャのデータ効率を比較し, RFサイクル平均電子密度, イオン密度, 電位, 電子温度を1次元平面および2次元軸対称GEC CCPベンチマークで予測する。
パラメータ間およびパラメータ境界テストケースにおける1%および2%の平均相対L2誤差を達成するために必要な基準シミュレーション数を評価し,アーキテクチャ固有のメカニズムについて検討した。
FNOは8つの比較のうち7つの最低または最下位の参照ケース要件を達成している。
1Dでは、FNOは50のトレーニングケースで1%の内部エラーに達し、Transolverは100、U-Netは200である。
2Dでは、FNOとU-Netはそれぞれ100のケースで1%の内部誤差に達し、FNOとTransolverはそれぞれ200のケースで2%のパラメータ境界誤差に達した。
厳密な1%のパラメータ境界ターゲットでは、TransolverはFNOの800に対して400のケースを必要とする。
さらに,FNOスペクトルモードとパディング,U-Netスキップ接続,トランスオーバー適応スライシング,PCA-Net予測と予測誤差について検討した。
その結果、FNOはテスト対象のCCP設定のためのデータ効率の高いベースラインとしてサポートされ、好みのアーキテクチャは精度目標と動作パラメータ領域に依存していることが示された。
関連論文リスト
- AI4Plasma II: Geometry-Aware Surrogate Modeling for Variable Electrode Gap GEC Plasmas [8.96175926728584]
サロゲートモデルは迅速な予測を提供するが、幾何学的変動はそれらの応用を複雑にする。
4つのプラズマフィールドで2%の平均誤差を達成するために、Geo-FNOとTransolverは、他のモデルでは250-1000と比較して100のトレーニングケースを必要とする。
論文 参考訳(メタデータ) (2026-11-11T15:07:21Z) - Learnable Splines for Unstructured Neural Operators [78.26652287941543]
L-SplineFNOは、FNOバックボーンとスパースで学習可能なテンソル生成B-Splineトランスファーを結合するメモリ効率のよい神経オペレータである。
ベースライン演算子よりもはるかに少ないメモリと計算を必要とするが、予測精度は高い。
また、ゼロショット超解像と効率的な閉形式空間微分もサポートする。
論文 参考訳(メタデータ) (2026-10-15T15:15:31Z) - Multi-Stage Mamba-Based Architecture for Fast and Scalable Superconducting Qubit Readout [2.7180447022087932]
超伝導量子プロセッサでは、リードアウト演算はエラーを起こしやすく、高レイテンシである。
Mambaモデルに基づく多段量子状態判別器を提案する。
本モデルでは, 平均読み出し精度が0.906であり, 最良報告の最先端手法よりも優れていた。
論文 参考訳(メタデータ) (2026-07-13T15:12:07Z) - Fast and Generalizable parameter-embedded Neural Operators for Lithium-Ion Battery Simulation [1.099532646524593]
我々は,Deep Operator Networks (DeepONets), Fourier Neural Operators (FNOs), and a new proposed parameter-embedded Fourier Neural Operator (PE-FNO)の3つの演算子学習サロゲートをベンチマークした。
DeepONetは、一定の動作を正確に再現するが、よりダイナミックな負荷に対処する。FNOはメッシュ不変性を維持し、濃度誤差を1%以下に抑え、すべての負荷タイプで1.7mV以下の電圧平均絶対誤差を発生させる。PE-FNOは16スレッドのSPMソルバよりも約200倍高速に実行される。
論文 参考訳(メタデータ) (2025-08-11T15:31:23Z) - Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。
動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。
これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
論文 参考訳(メタデータ) (2025-07-14T16:19:00Z) - Feasibility Study of CNNs and MLPs for Radiation Heat Transfer in 2-D Furnaces with Spectrally Participative Gases [0.3495246564946556]
そこで我々は,2次元壁状領域における放射熱伝達解を近似する代理モデルを構築した。
この研究の独創性は、CNNアーキテクチャに適合するために問題(ガスと壁の特性)の入力を適応させることにある。
CNNアーキテクチャの性能は、より古典的なアーキテクチャと比較される。
論文 参考訳(メタデータ) (2025-06-02T14:06:44Z) - Scaling & Shifting Your Features: A New Baseline for Efficient Model
Tuning [126.84770886628833]
既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。
そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
論文 参考訳(メタデータ) (2022-10-17T08:14:49Z) - Green, Quantized Federated Learning over Wireless Networks: An
Energy-Efficient Design [68.86220939532373]
有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。
提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
論文 参考訳(メタデータ) (2022-07-19T16:37:24Z) - Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。
我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-03-12T07:00:46Z)
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。