生成敵対ネットワークを用いた磁場予測【JST・京大機械翻訳】

Pollok Stefan; Olden-Jorgensen Nataniel; Jorgensen Peter Stanley; Bjork Rasmus

プレプリント

J-GLOBAL ID：202202211746168360 整理番号：22P0304547

生成敵対ネットワークを用いた磁場予測【JST・京大機械翻訳】

Magnetic Field Prediction Using Generative Adversarial Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月14日プレプリントサーバーでの情報更新日： 2022年03月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

科学と現実世界の応用を,磁場とそれらの特性に築き上げた。高分解能における貴重な磁場情報を検索するためには,物理的制約のために,実行が困難か,あるいは不可能であっても,広範な現場測定が必要とされる。この問題を軽減するために,生成敵対ネットワーク(GAN)構造を用いて,数点測定から空間内のランダム点における磁場値を予測した。深層学習(DL)アーキテクチャは,与えられた磁場の欠落場値を予測する発電機と,実際の磁場分布と生成された磁場分布の間の統計的距離を計算するために訓練された批判の2つのニューラルネットワークから成る。この統計的距離,再構成損失,および物理的損失を最小化することによって,著者らの訓練された発電機は,フィールドポイントの単一コヒーレント領域が欠損しているとき,5.14%の中央値再構成試験誤差で,欠測場値を予測するために学習され,そして,空間でのほんの数点測定が利用可能であり,そして,周囲の現場測定が予測されるとき,5.86%であった。実験的に検証された場の結果を検証した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , 【Automatic Indexing@JST】

ニューロコンピュータ , 脳・神経系モデル , 計算機シミュレーション , 図形・画像処理一般 , 人工知能

, ,

前のページに戻る