моделирование — otmoroz1963 — ЖЖ
Вчера нашла новое слово на букву К 🙂 Вот — нравятся кружочки? Это оно, конфайнмент-моделирование))
Авторы (Гагин Т.В. и Бородина С.С) утверждают, что с помощью этих кружочков можно научиться выделять главное при сборе информации.
Полнота информации не приводит к верным решениям. Напротив, она им препятствует. Это задним числом думается, мол, ведь все ж было ясно, все бросалось в глаза. Как раз задним числом все и бросается в глаза. Почему? Потому что теперь мы знаем, куда смотреть. Какая-то информация <сыграла>. А какая-то — нет. Задним числом у наблюдателя есть инструмент выделения главного. Но — задним числом.
Полнота информации вредна не только засорением поля зрения наблюдателя хаосом подробностей, ценность которых неясна. Стремление к полноте информации заставляет тратить время. Таким образом, чем больше информации, тем труднее принять решение и тем больше — опоздание.
Чем больше информации, тем ближе ошибка и сильнее опоздание. Дело не в информации. Точнее, не в самой информации. Важен инструмент для ее просеивания. Важно знать, как выделить главное. Причем знать заранее. Знать еще ДО начала сбора информации. Чтобы не собирать информацию лишнюю. Нужен способ знать заранее, ГДЕ искать.
Модель как путеводитель
Так как же отсечь лишнее? Ключ находится в системном моделировании ситуации. В отличие от обычного моделирования, которое требует последовательного выяснения деталей, моделирование системное позволяет достоверно предположить, какие детали окажутся в тех или иных местах. Причем мы говорим не о математических, а о вполне наглядных, на уровне здравого смысла, моделях.
Системная модель показывает, как ситуация поддерживает себя в состоянии стабильности и/или развития, демонстрирует прямые и обратные причинно-следственные взаимосвязи. Когда на те же вопросы мы пытаемся ответить эмпирически (произвольно выбирая и описывая доступный нам опыт) или индуктивно (стараясь собрать все части), мы получаем размытый и недоказуемый ответ.
В системной же модели доказательством является сам факт замыкания системы. Рассуждая в терминах систем, мы считаем достоверным, что некая ситуация есть (как данность), а значит, она поддерживает себя, самовоспроизводится. Все, что нужно для этого, системной петлей с неизбежностью будет учтено. Остальное — отброшено. Как неважное.
Системная петля включает необходимые и достаточные условия для существования результата: текущей ситуации. Таким образом, элементы системной петли и есть наши фокусы внимания, прицелы — куда смотреть, где искать. И — достаточно внятные описания того, что там следует найти.
Заполнять кружочки надо в определенной последовательности:
<1> — это собственно результат системы, ее наблюдаемые проявления.
<2>, <3> и <4> — непосредственные причины этого результата. Их выбор диктуется следующим требованием. Все три вместе они должны с необходимостью и достаточностью вызывать результат. При этом причина <2> должна помимо самого результата вызывать и усиливать причину <3>, а та, в свою очередь, причину <4>.
При этом элемент <4> должен и сам вызывать результат и одновременно усиливаться им.
<5> — Теперь нам надо найти такой элемент, который одновременно вызывает все три предыдущие причины. Не <он один>, конечно, тут важнее, что <все три>. Причина <5> взаимосвязана с <2>йкой.
<6> — Это причина для <2> и <5> одновременно.
<7> — Должна вызвать <6> и <2>.
<8> — Этот элемент взаимосвязан с <7> и вызывает <6> и <5>.
<9> — Очень важный элемент. Это первая серьезная проверка наших рассуждений. Он должен замкнуть систему. То есть послужить причиной для <7> и <8>, будучи одновременно следствием как причины <4>, так и, что важнее, основного результата системы
Это еще не все)) Дальше здесь: http://gagin.tv/index.php?page=28
Я попробовала вчера, и мне очень понравилось :)) Схемка заполняется очень легко, на выходе и правда получается то, что обещают авторы.
.. Может, кому-то пригодится! А может, это все давно знают, только я не знала? О_о
А может, кому-то это покажется ненужной заумью… Но лично мне кружочки очень уж понравились)) Красоту — ее ничем не убьешь, она стра-а-ашная сила!
Вестник МЭИ — Статья
2018 год → №6
| Проталинский О. М. , Ханова А. А., Щербатов И. А., Проталинский И. О., Кладов О. Н., Уразалиев Н. С., Степанов П. В. |
Онтология процесса управления ремонтами в электросетевой компании
Аннотация
Состояние распределительных электрических сетей характеризуется значительным физическим и технологическим устареванием. Производственные активы электросетевых компаний характеризует семантическая, синтаксическая, структурная и системная гетерогенность, что затрудняет взаимодействие на всех уровнях управления с целью предотвращения аварийных ситуаций и повышения эффективности.
Показана актуальность представления процессов управления ремонтами электросетевой компании в виде концептуальной онтологической модели на основе системно-когнитивного подхода.
Проведена формализация задачи повышения эффективности деятельности компании. Выделены управляемые субъекты, т. е. процессы диагностики состояния технологического оборудования, формирования оптимальной ремонтной программы и оптимизации логистических процессов при выполнении ремонтной программы. Разработана концептуальная структура управления процессами технического обслуживания и ремонта оборудования. Предложен метод структурирования информации о процессах технического обслуживания и ремонта оборудования в виде онтологической базы знаний. Построена когнитивная двухуровневая онтологическая модель в виде совокупности концептуальной конфайнмент-модели и множества иерархических конфайнмент-моделей процессов диагностики технического состояния, формирования и оптимизации ремонтной программы, а также оптимизации логистических процессов при выполнении ремонтной программы. Сделаны выводы о практическом применении онтологического подхода для повышения эффективности процессов управления ремонтами, а также упрощения структуры получаемых моделей в сравнении с традиционными методами построения баз знаний.
Ключевые слова
онтология, конфайнмент-модель, техническое обслуживание, ремонт оборудования, ремонтная программа, производственный актив
Библиографический список
1. Энергетическая стратегия России на период до 2030 года [Электрон. ресурс] https://minenergo.gov.ru/ node/1026 (дата обращения: 01.07.2017).
2. Захаренко С.Г. и др. Анализ аварийности в электросетевом комплексе // Вестник Кузбасского гос. техн. ун-та. 2016. № 4 (116). С. 94—99.
3. Воропай И.Н. и др. Концепция обеспечения надежности в электроэнергетике. М.: Энергия, 2013.
4. Проталинский О.М., Проталинский И.
О., Кладов О.Н. Система оптимального управления производственными активами энергетических предприятий // Автоматизация и IT в энергетике. 2017. № 4 (93). С. 5—8.
5. Гаврилова Т.А., Муромцев Д.И. Интеллектуальные технологии в менеджменте: инструменты и системы. СПб.: Высшая школа менеджмента, 2008.
6. Чистякова И.С. Инженерия онтологий // Інженерія програмного забезпечення. 2014. № 4 (20). C. 53—68.
7. Гагин Т.В., Бородина С.С. Как выделить главное: принципы конфайнмент-моделирования [Электрон. ресурс] http://gagin.tv/index.php?page=28 (дата обращения: 01.07.2017).
8. Ханова А.А., Григорьева И.О. Предметная онтология как способ формирования семантической модели знаний грузового порта // Вестник Астраханского гос. техн. ун-та. Серия «Управление, вычислительная техника и информатика». 2009. № 1. С. 76—81.
9. Мухачева Н.Н., Попов Д.В. Онтологические модели и методы для управления информационно-интеллектуальными ресурсами организации // Вестник Уфимского гос.
авиационного техн. ун-та. 2010. Т. 14. № 1. С. 123—135.
10. Жукова Е.Д., Занин Д.С. Полифункциональная модель педагога профессионального образования // Известия Волгоградского гос. пед. ун-та. 2014. № 4 (89). С. 108—114.
11. Козлов Д.В., Жукова И.Г., Кульцова М.Б., Литовкин Д.В. Генерация OWL-онтологии на основе конфайнмент-модели // Известия Волгоградского гос. техн. ун-та. 2015. № 6 (163). С. 58—65.
12. Ханова А.А., Хортонен А.С., Парамзина Л.В. Системные взаимосвязи стратегического управления и моделирования социально-экономических систем на основе сбалансированной системы показателей // Вестник Астраханского гос. техн. ун-та. Серия «Управление, вычислительная техника и информатика». 2014. № 2. С. 109—116.
13. Euzenat J., Shvaiko P. Ontology Matching. Heidelberg: Springer, 2013.
14. Suarez-Figueroa M.C. е. а. Ontology Engineering in a Networked World.
Springer Science & Business Media, 2012.
15. Массель Л.В., Ворожцова Т.Н., Пяткова Н.И. Онтологический инжиниринг для поддержки принятия стратегических решений в энергетике // Онтология проектирования. 2017. Т. 7. № 1 (23). С. 66—76.
16. Массель Л.В., Массель А.Г., Ворожцова Т.Н., Макагонова Н.Н. Онтологический инжиниринг ситуационного управления в энергетике // Знания — Онтологии — Теории: Материалы Всеросс. конф. с междунар. участием. Новосибирск: Инст-т математики им. С.Л. Соболева, 2015. С. 36—43.
17. Новиков Д.А. Теория управления организационными системами. М.: МПСИ, 2005.
Для цитирования: Проталинский О.М., Ханова А.А., Щербатов И.А., Проталинский И.О., Кладов О.Н., Уразалиев Н.С., Степанов П.В. Онтология процесса управления ремонтами в электросетевой компании // Вестник МЭИ. 2018. № 6. С. 110—119. DOI: 10.24160/1993-6982-2018-6-110-119.
DOI: 10.24160/1993-6982-2018-6-110-119
Исследователи LLNL получают награду HPCwire за применение когнитивного моделирования в термоядерном синтезе с инерционным удержанием методы моделирования (CogSim) для исследования термоядерного синтеза с инерционным удержанием (ICF).
Награда была вручена во вторник на крупнейшей конференции по суперкомпьютерам в мире: Международной конференции по высокопроизводительным вычислениям, сетям, системам хранения и анализу 2022 года (SC22) в Далласе. Список победителей был объявлен на SC22 HPCwire , а также на сайте HPCwire .
В команду CogSim входят исследователи LLNL Брайан Спирс, Тимо Бремер, Люк Петерсон, Келли Хамберд, Рушил Анируд, Брайан Ван Эссен и другие (полный список см. ниже).
Награда присуждается команде за прогресс в их подходе на основе машинного обучения к моделированию экспериментов ICF, проведенных в Национальном центре зажигания (NIF) и в других местах, что привело к созданию более быстрых и точных моделей имплозии ICF.
«Мы очень благодарны HPCwire и редакторам, — сказала Спирс. «Я особенно благодарен замечательной команде, которую мы использовали для создания инструментов и методов на протяжении многих лет. Что меня и всю команду больше всего волнует, так это то, что мы очень усердно работали над тем, чтобы превратить ИИ в инструмент, который может связать высокопроизводительные вычисления и экспериментальную работу, и соединить это во что-то, что действительно функционально для науки.
«Это действительно большой толчок от множества разных проектов, работающих вместе — энергия, термоядерный синтез, CogSim — так что действительно здорово видеть, как люди от физики до рабочих процессов в области компьютерных наук работают вместе, чтобы сделать это», — сказал Бремер. — И потом, получить это признание — это действительно большая честь».
Ван Эссен добавил: «Возможность работать с этой междисциплинарной командой над разработкой этих новых моделей и методов масштабирования обучения глубоких нейронных сетей для стратегически важной науки — это абсолютный взрыв и изюминка работы в национальных лабораториях. Мы взволнованы и благодарны редакции HPCwire за признание нашей работы».
Метод CogSim, появившийся в LLNL за последние несколько лет, использует передовые вычислительные машины лаборатории для объединения глубоких нейронных сетей с массивными базами данных исторических экспериментов ICF для калибровки моделей. По словам исследователей, применение CogSim к исследованиям ICF привело к созданию более быстрых и эффективных моделей, которые могут предсказывать результаты экспериментов с большей точностью, чем только моделирование, и с меньшим количеством экспериментов.
Большая часть работы CogSim была выполнена на высокопроизводительных компьютерах, включая Sierra, Lassen и Corona, с использованием Merlin, специального инструмента рабочего процесса для глубокого обучения, а также набора инструментов Livermore Big Artificial Neural Network (LBANN) с открытым исходным кодом, фреймворк глубокого обучения, оптимизированный для высокопроизводительных вычислений.
Совсем недавно члены команды CogSim выиграли награду Transactions on Plasma Science Best Paper Award 2022 за свою работу по применению метода глубокой нейронной сети под названием «перенос обучения» в моделирование ICF. Трансферное обучение включает в себя использование модели, обученной для решения одной задачи, и ее частичное переобучение на разреженном наборе данных для решения другой задачи.
Команда под руководством Хамберда обучила модели нейронных сетей на больших базах данных симуляций МКФ и частично переобучила их на экспериментальных данных для калибровки моделей. Они обнаружили, что этот подход дает более точные прогнозы и требует гораздо меньше данных, чем начальное обучение, уменьшая ошибки в некоторых случаях с более чем 100% до менее чем 7%.
«Это замечательный сюрприз — получить такую престижную награду от сообщества высокопроизводительных вычислений, — сказал Хамберд. «Работа, которую мы выполняем в командах CogSim, построена на основе моделирования с высокой пропускной способностью, но создание этой базы данных моделирования часто является первым шагом к конечной цели создания современных моделей нейронных сетей.
Как человеку, который в первую очередь занимается нейронной сетью в рабочем процессе, легко забыть, насколько невероятно иметь такие инструменты, как Merlin, и такие машины, как Sierra, у нас под рукой. Получение этой награды — прекрасная возможность задуматься о том, как далеко мы продвинулись с момента создания первого ансамбля ICF на суперкомпьютере Trinity семь лет назад, и с нетерпением ждать больших планов, которые мы приготовили для El Capitan».
Команды CogSim продемонстрировали улучшенную производительность для ряда экспериментов ICF в NIF, создав модели, способные предсказывать результаты экспериментов с ошибкой менее 10% для нескольких ключевых наблюдаемых. С помощью методов когнитивного моделирования и трансфертного обучения команда создала улучшенный конвейер экспериментального прогнозирования, который корректирует модели моделирования с использованием всех термоядерных экспериментов в NIF, повышая точность по мере получения большего количества данных.
В 2019 году исследовательская группа под руководством Петерсона успешно применила Merlin для создания масштабного 100-миллионного моделирования имплозии ICF с использованием всего суперкомпьютера IBM/NVIDIA Sierra, крупнейшей из когда-либо обученных мультимодальных сетей.
Работа позволила ученым лучше понять структуру данных и улучшить прогностические модели имплозии МКФ.
«Расширение границ высокопроизводительных вычислений с помощью ИИ превратилось в американские горки — море веселья, полное взлетов и падений, — но CogSim представляет собой лучшее из того, что может произойти, когда разнообразной группе предоставляется свобода поиграть и попробовать что-то новое, — сказал Петерсон. «Я хотел бы поблагодарить всех, кто поддержал эти усилия, особенно центры высокопроизводительных вычислений в LLNL, а также национальные лаборатории Лос-Аламоса, Лоуренса, Беркли и Ок-Риджа, которые щедро позволили нам возиться с их системами (а иногда и ломать их). . Доверие, которое мы получили, чтобы заниматься великой наукой, значит гораздо больше, чем эта награда, что тоже довольно круто».
В статье 2020 года исследователи LLNL под руководством Анирудха сообщили о разработке суррогатной модели Manifold & Cyclically Consistent (MaCC), основанной на глубоком обучении, включающей мультимодальную нейронную сеть, способную быстро и точно имитировать сложные научные процессы, включая ICF.
.
Исследовательская группа применила модель к имплозиям ICF, выход энергии которых обычно прогнозируется с помощью дорогостоящего численного симулятора. Сравнив суррогат на основе нейронной сети с существующим симулятором, команда обнаружила, что суррогат может адекватно воспроизвести симулятор и значительно превзойти текущий уровень развития суррогатных моделей по широкому диапазону показателей.
«Мне всегда казалось, что работа ICF-CogSim в лаборатории — идеальная песочница для разработки научного машинного обучения, — сказал Анируд. «Существует так много разнообразных сложных проблем, которые требуют от нас разработки решений, основанных на первых принципах, с потенциалом для огромной научной отдачи. Эта награда является подтверждением того, что работа эффективна, и я очень рад продолжить работу над этими задачами».
«Этот проект является наглядным примером того, как искусственный интеллект и высокопроизводительные вычисления могут сыграть решающую роль в развитии науки и общества в целом», — сказал соавтор Джей Тиагараджан.
«Мы находимся в подходящем моменте, когда вычислительные технологии открывают беспрецедентные возможности, и здорово быть частью этого передового сотрудничества в LLNL».
В последние годы исследователи CogSim использовали компьютер-компаньон Sierra Lassen, который был интегрирован с ускорителем искусственного интеллекта Cerebras Systems CS-1 — самым большим в мире компьютерным чипом — для дальнейшего изучения подхода CogSim к экспериментам ICF. Исследователи LLNL используют код радиационной гидродинамики под названием HYDRA и интерфейс Hydra Python Deck для быстрого объединения миллионов симуляций ICF и экспериментальных данных с участием человека. По словам исследователей, этот процесс позволил команде проверить модели и предсказать результаты реальных экспериментов быстрее и с большей точностью.
Исследователи надеются, что с помощью моделей, управляемых CogSim, они смогут лучше прогнозировать будущие эксперименты ICF, находить новые оптимальные схемы имплозии и сокращать затраты и время, связанные с созданием мишеней и проведением реальных экспериментов на NIF.
CogSim поддерживается инициативой директора, возглавляемой главным исследователем Спирсом и финансируемой в рамках программы лабораторных исследований и разработок (LDRD). Инициатива направлена на продвижение широкого спектра технологий искусственного интеллекта и вычислительных платформ, специально разработанных для улучшения научных прогнозов за счет более эффективного сочетания точного моделирования с экспериментальными данными.
Помимо ICF, CogSim применяется в таких областях исследований, как COVID-19, количественная оценка неопределенности, проектирование физики оружия, термоядерный синтез с магнитным удержанием и другие лазерные проекты. Эта работа также является частью более широких усилий Министерства энергетики по обнаружению, разработке, производству и внедрению ИИ и машинного обучения на каждом этапе проекта.
Ежегодные награды HPCwire Readers’ Choice Awards и Editors’ Choice Awards присуждаются путем выдвижения кандидатур и голосования с глобальным HPCwire сообщества, а также подборки от редакторов HPCwire .
Награды ежегодно присуждаются изданию и представляют собой престижное признание со стороны сообщества высокопроизводительных вычислений. Они раскрываются каждый год, чтобы открыть ежегодную конференцию по суперкомпьютерам, на которой демонстрируются высокопроизводительные вычисления, сети, системы хранения и анализ данных.
Среди других членов команды LLNL CogSim Шузен Лю, Джим Гаффни, Богдан Кустовски, Джемма Андерсон, Франсиско Бельтран, Майкл Круз, Сэм Аде Джейкобс, Дэвид Хайсом, Джэ-Сун Йом, Питер Робинсон, Джессика Семлер, Бен Бэй, Скотт Брэндон, Вик Кастильо, Дэвид Домьянчич, Ричард Кляйн, Джон Филд, Стив Лангер, Джо Конинг, Майкл Круз, Дэйв Манро и Роберт Хатарик.
Набор данных JAG для моделирования термоядерного синтеза с инерционным удержанием для многомодального научного глубокого обучения | Электронные коллекции библиотеки
Компонент
| Размер файла |
|
| Формат файла |
|
| Описание | Снимок репозитория, доступный здесь, был сделан в декабре 2019 года. |
. Более свежие обновления кода см. на странице https://github.com/rushilanirudh/icf-jag-cycleGAN.Скачать файл Просмотр файла Скачать файл
- Коллекция
- Ливерморская национальная лаборатория Лоуренса (LLNL) Инициатива открытых данных
- Процитировать эту работу
Цитирование набора данных
Гаффни, Джим А.; Анируд, Рушил; Бремер, Пер-Тимо; Хаммер, Джим; Хайсом, Дэвид; Джейкобс, Сэм А .; Петерсон, Дж. Люк; Робинсон, Питер; Спирс, Брайан К.; Спрингер, Пол Т .; Тиагараджан, Джаяраман Дж.; Ван Эссен, Брайан; Ём, Джэ-Сын (2020). Набор данных JAG для моделирования термоядерного синтеза с инерционным удержанием для многомодального научного глубокого обучения. В Ливерморской национальной лаборатории Лоуренса (LLNL) Инициатива открытых данных. Цифровые коллекции библиотеки Калифорнийского университета в Сан-Диего.
https://doi.org/10.6075/J0RV0M27Software Citation
Anirudh, Rushil, Bremer, Peer-Timo, and Thiagrarjan, Jayaraman J. Циклически согласованный суррогат для термоядерного синтеза с инерционным удержанием. Компьютерное программное обеспечение. https://github.com/rushilanirudh/icf-jag-cycleGAN. Национальная администрация по ядерной безопасности Министерства сельского хозяйства США (NNSA). 01 фев. 2019. Интернет. https://doi.org/10.11578/dc.20190503.2
- Описание
Цель этого проекта — создать лучшие суррогатные модели для термоядерного синтеза с инерционным удержанием (ICF) с использованием нейронных сетей. В частности, мы заинтересованы в воспроизведении поведения полуаналитического симулятора JAG 1D для ICF.
Модель JAG была разработана, чтобы дать быстрое описание наблюдаемых результатов экспериментов ICF, которые все генерируются очень поздно во время имплозии. Таким образом, можно избежать очень сложных и затратных в вычислительном отношении транспортных моделей, необходимых для описания привода капсулы, что позволяет получить единственное решение за $ ilde $ секунд.
Компромисс заключается в том, что входные данные JAG не относятся к фактическим экспериментальным наблюдаемым, а скорее к состоянию имплозии после отключения лазерного привода. В этот момент можно найти аналитическое описание пространственного профиля внутри горячей точки [1,2], оставив только набор связанных ОДУ, описывающих временной баланс энергии внутри всей задачи, которую можно легко решить [3]. Различные члены в уравнении энергетического баланса относятся к различным физическим процессам (излучение, электронная проводимость, нагрев альфа-частицами и т. д.), что делает JAG полезным для исследования роли различных потенциально неопределенных физических моделей. В сочетании с моделью тонкой оболочки, описывающей трехмерную гидродинамическую эволюцию горячей точки [4], JAG дает подробное описание пространственной и временной эволюции всех термодинамических переменных, которые могут быть подвергнуты постобработке для прогнозирования всего диапазона экспериментальных наблюдаемых.Ссылки:
1. Betti et al., Physics of Plasmas 9, 2277 (2002)
2. Springer et al., EPJ Web. Conferences 59:04001 (2013)
3. Betti et al., Physical Review Letters 114:255003 (2015)
4. Ott et al., Physical Review Letters 29:1429 (1995)- Дата создания
- июль 2018 г.
- Дата выпуска
- 2020
- Авторы
- Анирудх, Рушил
- Бремер, Пер-Тимо
- Гаффни, Джим А.
- Хаммер, Джим
- Хайсом, Дэвид
- Джейкобс, Сэм А.
- Петерсон, Дж. Люк
- Робинсон, Питер
- Спирс, Брайан К.
- Спрингер, Пол Т.
- Тиагараджан, Джаяраман Дж.
- Ван Эссен, Брайан
- Ём, Джэ-Сын
- Участник
- Ливерморская национальная лаборатория Лоуренса (LLNL)
- Технические детали
Набор данных предоставляется для тестирования/обучения моделей.
Это tarball внутри ‘data/’, который содержит файлы .npy для 10K изображений, скаляры и соответствующие входные параметры. Размер предоставленного набора данных (в ‘data/’) следующий: Вход: (9984, 5), Выход/Скаляры: (9984, 22), Выход/Изображения: (9984, 16384). Изображения интерпретируются как (-1,64,64,4).Этот пакет был собран и протестирован с использованием Tensorflow 1.8.0. Это также зависит от стандартных пакетов Python, таких как NumPy, Matplotlib, для основных утилит загрузки данных и построения графиков.
Мы также предоставляем Python Jupyter Notebook, который представляет собой автономный скрипт для загрузки, обработки и тестирования набора данных, описанного выше. В частности, мы включили нейронную сеть, предназначенную для использования в качестве заменителя симулятора JAG 1D. Нейронная сеть реализована в Tensorflow.
Блокнот позволяет пользователю загружать набор данных, загружать нейронную сеть и обучать ее таким образом, чтобы при наличии только 5 входных параметров она точно предсказывала скаляры и изображения.
Это можно сделать прямо в блокноте, без каких-либо дополнительных модификаций. Во время обучения промежуточные прогнозы также сохраняются на диск (как указано пользователем). Мы надеемся, что это послужит отправной точкой для создания, тестирования и работы с набором данных моделирования ICF-JAG.- Примечание
Лицензия на программное обеспечение: Лицензия MIT (https://opensource.org/licenses)
Лицензия на данные: Creative Commons Attribution 4.0 International Public License (https://creativecommons.org/licenses/by/4.0/)
- Связанные публикации
Ссылки:
R. Betti et al. (2002), Фаза торможения термоядерных взрывов с инерционным удержанием, Физика плазмы, https://doi.org/10.1063/1.1459458
Бетти и др. (2015), Альфа-нагрев и сжигание плазмы в термоядерном синтезе с инерционным удержанием, Physical Review Letters, https://doi.org/10.1103/PhysRevLett.114.255003
Э. Отт, «Нелинейная эволюция неустойчивости Рэлея-Тейлора тонкого слоя Письма о физическом обзоре, том.
29, нет. 21, стр. 1429, 1972. https://doi.org/10.1103/PhysRevLett.29.1429P.T. Спрингер и др. (2013), Интегрированная термодинамическая модель характеристик мишени воспламенения, EPJ Web of Conferences, https://doi.org/10.1051/epjconf/20135904001
Ссылка:
Анируд Р., Тиагараджан Дж. Дж., Бремер П. Т. и Спирс Б. К. (2019). Улучшенные суррогаты в синтезе с инерционным удержанием с последовательностями коллектора и цикла. Препринт arXiv arXiv: 1912.08113. (https://arxiv.org/abs/1912.08113)
Анируд, Рушил; Тиагараджан, Джаяраман Дж.; Лю, Шусен; Бремер, Пер-Тимо; Спирс, Брайан К. 2019. Изучение моделей генеративной физики с помощью Scientific Priors
в термоядерном синтезе с инерционным удержанием. arXiv:1910.01666v1 [physics.comp-ph] (https://arxiv.org/abs/1910.01666)Gaffney et al. (2014), Термодинамическое моделирование неопределенностей в имплозиях NIF ICF из-за лежащих в основе микрофизических моделей, APS Meeting Abstracts. http://meetings.
aps.org/link/BAPS.2014.DPP.PO5.11Liu et al. (2019), Масштабируемый топологический анализ данных и визуализация для оценки управляемых данными моделей в научных приложениях, IEEE VIS 2019. https://arxiv.org/abs/1907.08325. https://doi.org/10.1109/TVCG.2019.2934594
Сэм Аде Джейкобс, Брайан Ван Эссен, Дэвид Хайсом, Джэ-Сын Ём, Тим Мун, Рушил Анируд, Джаяраман Дж. Тиагаранджан, Шусен Лю, Пер-Тимо Бремер, Джим Гаффни, Том Бенсон, Питер Робинсон, Люк Петерсон , Брайан Спирс. 2019. Распараллеливание обучения глубоких генеративных моделей на массивных научных наборах данных. arXiv:1910.02270v1 [cs.DC] (https://arxiv.org/abs/1910.02270)
- Темы
- Нейронные сети
- Прочный
- Научное машинное обучение
- Суррогатное моделирование
Форматы
Просмотр форматов в этой коллекции
- данные
- изображение
- Связанный ресурс
- Репозиторий GitHub
Связанный
- Лицензия
Creative Commons Attribution 4.
0 Международная публичная лицензия- Правообладатель
- Ливерморская национальная лаборатория Лоуренса
- Авторское право
Под защитой авторского права (США)
Использование: Эта работа доступна в библиотеке Калифорнийского университета в Сан-Диего. Эта цифровая копия работы предназначена для поддержки исследований, преподавания и частного изучения.
Ограничения на использование: Эта работа защищена законом США об авторском праве (раздел 17, U.S.C.). Использование этой работы за пределами разрешенного «добросовестным использованием» или какой-либо лицензии, применимой к этой работе, требует письменного разрешения владельца (владельцев) авторских прав. Ответственность за получение разрешений и любое использование и распространение этой работы лежит исключительно на пользователе, а не на библиотеке Калифорнийского университета в Сан-Диего. Запросы можно направить в Библиотечную программу Калифорнийского университета в Сан-Диего, которая хранит произведение.
https://doi.org/10.6075/J0RV0M27
Компромисс заключается в том, что входные данные JAG не относятся к фактическим экспериментальным наблюдаемым, а скорее к состоянию имплозии после отключения лазерного привода. В этот момент можно найти аналитическое описание пространственного профиля внутри горячей точки [1,2], оставив только набор связанных ОДУ, описывающих временной баланс энергии внутри всей задачи, которую можно легко решить [3]. Различные члены в уравнении энергетического баланса относятся к различным физическим процессам (излучение, электронная проводимость, нагрев альфа-частицами и т. д.), что делает JAG полезным для исследования роли различных потенциально неопределенных физических моделей. В сочетании с моделью тонкой оболочки, описывающей трехмерную гидродинамическую эволюцию горячей точки [4], JAG дает подробное описание пространственной и временной эволюции всех термодинамических переменных, которые могут быть подвергнуты постобработке для прогнозирования всего диапазона экспериментальных наблюдаемых.
Betti et al., Physics of Plasmas 9, 2277 (2002) 
Это tarball внутри ‘data/’, который содержит файлы .npy для 10K изображений, скаляры и соответствующие входные параметры. Размер предоставленного набора данных (в ‘data/’) следующий: Вход: (9984, 5), Выход/Скаляры: (9984, 22), Выход/Изображения: (9984, 16384). Изображения интерпретируются как (-1,64,64,4).
Это можно сделать прямо в блокноте, без каких-либо дополнительных модификаций. Во время обучения промежуточные прогнозы также сохраняются на диск (как указано пользователем). Мы надеемся, что это послужит отправной точкой для создания, тестирования и работы с набором данных моделирования ICF-JAG.
29, нет. 21, стр. 1429, 1972. https://doi.org/10.1103/PhysRevLett.29.1429
aps.org/link/BAPS.2014.DPP.PO5.11
0 Международная публичная лицензия
