PulseAugur
中
实时 05:21:51
English(EN) Heteroscedastic Neural Surrogate Modeling for Robust and Rapid Bayesian Inference in Fusion Plasma Diagnostics

新型神经网络加速聚变等离子体诊断的贝叶斯推断

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的神经网络框架，旨在加速复杂物理系统的贝叶斯推断，并已将其应用于聚变等离子体诊断。该方法采用双头架构来估计物理发射光谱和测量噪声方差，并优化高斯负对数似然目标。与精确物理模型相比，该方法在汤姆逊散射数据上实现了超过1500倍的加速，并将推断误差降低了20%以上，为实时物理分析提供了有前景的途径。 AI

影响 该框架有望实现复杂物理系统的实时分析，加速科学发现。

排序理由 该集群包含一篇详细介绍科学分析新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型神经网络加速聚变等离子体诊断的贝叶斯推断

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Liyun Zhang, Naoya Mamada, Kentaro Sakai, Takeo Hoshi, Toru Aonishi ·

    异方差神经网络代理建模用于聚变等离子体诊断中的鲁棒快速贝叶斯推断

    arXiv:2608.19377v1 Announce Type: cross Abstract: Bayesian inference via Markov Chain Monte Carlo (MCMC) provides effective parameter estimation, but its real-time application in complex physical systems is hindered by heavy computational bottlenecks and extreme sensitivity to st…

相关实体

相关话题