KSTAR ELM 螺旋线圈动态的机器学习分析
利用深度学习算法研究高维度动力行为的新方法为等离子体聚变系统内的异常模式检测和建立高效模型来进行实时控制提供了独特机会,研究发现我们的 Fusion Transfer Learning (FTL) 模型通过学习有限数量的非线性模拟数据,成功重建出非线性可刚性模式结构,实验结果突出了 FTL 捕捉等离子体动力学的过渡行为和动力学特点的能力,并指出该模型是可推广的,并可通过迁移学习扩展以应对各种磁流体力学 (MHD) 模式。
Apr, 2024
本文提出一种基于接收微波电场散射的机器学习辅助策略,可以在等离子体中测量电子密度,并且证明了所提出的基于深度学习的方法在等离子体诊断中具有潜力,具备测量等离子体径向密度分布的能力。
Apr, 2023
提出了一种利用扩散相关光谱学(DCS)和极限学习机(ELM)分析脑血流 (cerebral blood flow) 的快速准确分析方法,ELM 在不同噪声水平和光学参数下表现出更高的保真度,相较于迭代拟合算法具有更强大的泛化能力并能够胜过它们,与计算效率高的神经网络进行对比,ELM 在减少训练和推理时间的同时保持了可比较的准确性,ELM 的无反向传播训练过程导致训练速度显著加快,为具备在线训练能力的边缘计算应用提供了希望。
Jan, 2024
整合深度学习与寻找新的电声子超导体的研究代表了一个蓬勃发展的领域,其中主要挑战在于计算电声子谱函数 α²F (ω),超导理论 Midgal-Eliashberg 的主要组成部分。为了克服这一挑战,我们采用两步法,首先计算 818 种动态稳定材料的 α²F (ω),然后使用一种非常规的训练策略训练一个深度学习模型 BETE-NET 来预测 α²F (ω),并通过增加模型的归一化改进预测。此外,我们还将声子密度的领域知识结合到模型的节点属性中,提高预测精度。该方法的创新降低了临界温度 $T_c$ 的平均绝对误差(MAE)至 2.1K,对高温超导体材料的高通量筛选展示了实际应用。BETE-NET 在加速高温超导体的搜索同时为材料发现中应用机器学习树立了先例,特别是在数据有限的情况下。
Jan, 2024
量子极限学习机是一种有潜力的量子机器学习框架,通过将预测分解为傅里叶级数来研究其表达能力,并发现其表达能力受到傅里叶频率和可观测量数量的基本限制。然而,耦合系统大小增加时可能存在可观测量数量的指数集中问题,从而导致量子极限学习机变得无用。该研究揭示了量子极限学习机的潜力和基本限制,并为系统化探索其他机器学习任务的量子储备系统奠定了基础。
Dec, 2023
本文介绍了一种基于物理驱动的人工智能方法来预测日冕物质抛射的行程时间,其中利用了两个级联神经网络馈送远程观测和现场数据。这项研究表明,在人工智能结构中使用物理信息显著提高了行程时间预测的准确性和稳健性。
May, 2023
理解生物大分子的结构对于细胞功能密切相关至关重要,特别是准确理解肌动蛋白纤维的组织是非常关键的,而这是因为它们形成了动态的细胞骨架,对细胞提供结构支持并连接其内部与周围环境。为了解决肌动蛋白纤维的精确组织问题,本文介绍了三种新的计算方法,并引入了用于确定蛋白质二级结构位置的卷积神经网络 (CNN) 模型和用于估计中分辨率冷冻电子显微镜图像中螺旋区域图像结构相似性的新算法。
Mar, 2024
本研究利用光学高速相机和基于 FPGA 硬件进行数据处理,实时跟踪磁流体力学模式演化并生成控制信号,通过卷积神经网络模型预测和其他测试方法相比,更准确地预测摄像机图像中的 MHD 模式的振幅和相位,实现了在高速相机诊断中的总触发到输出延迟为 17.6 微秒和最高 120kfps 的吞吐量。该研究在高贝塔托卡马克 - 扩展脉冲(HBT-EP)实验中展示了基于 FPGA 的高速相机数据采集和处理系统,为实时机器学习应用于托卡马克诊断和控制以及其他科学领域提供了潜在应用。
Nov, 2023
发展了一种基于机器学习的故障检测方法,利用 LSTM 自编码器来捕捉正常模式并预测轨道锁定系统中监测传感器的未来值,当预测误差超过阈值时检测到异常。使用连续电子束加速器设施的监测数据进行实验,结果表明,使用单个轨道锁定控制系统组件的监测数据,我们的解决方案可以识别出 68.6%-89.3% 的实际异常,准确率可以高达 82%。
Jan, 2024