非高斯粒子分布函数的推断与去噪：一种生成建模方法
等离子体物理
2022-02-03 v1 机器学习
摘要
等离子体物理中的粒子网格数值方法在计算代价与固有噪声之间权衡。对这些模拟所产生数据的推断通常包括对数据分箱以恢复粒子分布函数，从而可研究物理过程。除包含噪声外，该分布函数具有时间动态性，且可为非高斯和多模态，使得对其建模的任务十分困难。在此我们展示利用归一化流来学习带噪粒子分布函数的平滑、可处理近似。我们证明所得数据驱动的似然保留了相关物理，并可扩展以涵盖分布函数的时间演化。
引用
@article{arxiv.2110.02153,
title = {Inference and De-Noising of Non-Gaussian Particle Distribution Functions: A Generative Modeling Approach},
author = {John Donaghy and Kai Germaschewski},
journal= {arXiv preprint arXiv:2110.02153},
year = {2022}
}