高保真度不透明度光谱在自编码器与代理模型中的迁移学习
等离子体物理
2023-02-08 v2 机器学习
摘要
高能量密度物理的模拟成本高昂，很大程度上是因为需要产生非局部热力学平衡不透明度。高保真度光谱可能会揭示模拟中使用低保真度光谱时看不到的新物理现象，但这些模拟的成本也随着所使用不透明度的保真度水平而增加。神经网络能够复现这些光谱，但神经网络需要数据来训练，这限制了训练数据的保真度水平。本文证明，通过在一个使用多出许多倍的低保真度数据训练的神经网络上进行迁移学习，仅使用少至 50 个高保真度氪数据样本，就有可能复现出中位误差在 3% 到 4% 范围内的高保真度光谱。
引用
@article{arxiv.2203.00853,
title = {Transfer Learning of High-Fidelity Opacity Spectra in Autoencoders and Surrogate Models},
author = {Michael D. Vander Wal and Ryan G. McClarren and Kelli D. Humbird},
journal= {arXiv preprint arXiv:2203.00853},
year = {2023}
}
备注
28 pages, 8 figures, 4 tables