基于低维特征和注意力神经网络的从噪声放射图重建里奇特-梅什科프不稳定性
机器学习
2024-08-05 v1 图像与视频处理
摘要
经过训练的注意力驱动的 transformer 网络能够从序列中从噪声放射图中派生的流体动力学特征序列中，稳健地恢复里奇特-梅什科프不稳定性所产生的复杂拓扑结构。该方法在类似 ICF 的双壳流体动力学仿真中得到验证。该网络的关键组件是对从噪声放射图中提取的特征序列上运行的 transformer 编码器。该编码器包含大量自注意力层，用于学习输入序列中的时间依赖性，提高模型的表达能力。该方法被证明能够在气体-金属界面被大量噪声遮蔽的情况下，准确恢复里奇特-梅什科普不稳定性的生长速率。
引用
@article{arxiv.2408.00985,
title = {Reconstructing Richtmyer-Meshkov instabilities from noisy radiographs using low dimensional features and attention-based neural networks},
author = {Daniel A. Serino and Marc L. Klasky and Balasubramanya T. Nadiga and Xiaojian Xu and Trevor Wilcox},
journal= {arXiv preprint arXiv:2408.00985},
year = {2024}
}