惯性约束聚变中科学生成模型的几何先验
机器学习
2021-11-29 v1 计算机视觉与模式识别
摘要
在本文中，我们为惯性约束聚变应用中的多模态数据开发了一个具有超球面先验的Wasserstein自编码器（WAE）。与典型的超球面生成模型需要从冯·米塞斯-费舍尔等分布中进行计算效率低的采样不同，我们在生成器之前从正态分布中采样，然后接一个投影层。最后，为了确定生成样本的有效性，我们利用数据集中模态间的已知关系作为科学约束，并研究了所提出模型的不同性质。
引用
@article{arxiv.2111.12798,
title = {Geometric Priors for Scientific Generative Models in Inertial Confinement Fusion},
author = {Ankita Shukla and Rushil Anirudh and Eugene Kur and Jayaraman J. Thiagarajan and Peer-Timo Bremer and Brian K. Spears and Tammy Ma and Pavan Turaga},
journal= {arXiv preprint arXiv:2111.12798},
year = {2021}
}
备注
5 pages, 4 figures, Fourth Workshop on Machine Learning and the Physical Sciences, NeurIPS 2021