PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.28022v1cs.LG

PISCES: 우주 날씨 이상 탐지 및 조기 경보를 위한 물리 정보 기반 태양풍 합성곱 오토인코더

PISCES: Physics-Informed Solar-wind Convolutional autoEncoder for Space-weather Anomaly Detection and Early Warning

우주 날씨 조기 경보는 태양풍 과도현상(transients)이 지구에 도달하기 전 제1 태양-지구 라그랑주 점(L1)의 현장(in-situ) 측정치에서 이를 감지하는 데 의존합니다. 고정된 임계값은 복합적인 자기장 및 플라즈마 구조를 놓칠 수 있으며, 많은 학습 방법은 단일 이상 점수만을 제공합니다. 본 논문에서는 물리적 제약 조건 하에서 카탈로그 레이블 없이 OMNI 태양풍 측정 데이터를 학습한 합성곱 오토인코더인 PISCES(Physics-Informed Solar-wind Convolutional autoEncoder for Space-weather)를 제시합니다. 본 모델의 손실(loss)에는 자기장 일관성, 온도와 속도 간의 경험적 관계, 파커 스파이럴(Parker spiral) 각도, 그리고 재구성 결과로부터 계산된 유도 물리량들에서 연속된 1분 단위 샘플 간의 변화에 대한 페널티가 포함됩니다. 추론(inference) 시 PISCES는 이상 점수를 자기장 및 플라즈마 재구성 오차, 물리적 관계, 잔차 보정값으로 분리하여 각 기여도의 크기를 보고합니다. 검증(validation) 데이터를 통해 선택된 스킵 연결(skip connection)의 감쇠는 학습된 모델의 평균 정밀도(precision)를 향상시키는 반면, 학습되지 않은 점수는 거의 동일하게 유지됩니다. 또한 학습된 모델은 이러한 물리적 기여도 간의 보다 일관된 순위를 제공합니다. 후행 중앙값(trailing median)으로 스무딩을 거친 후 경보는 양의 급변 임펄스(positive sudden impulses)를 포함하여 독립적으로 관측된 급성 시작(sudden commencements)보다 앞서 발생할 수 있습니다.

arXiv:2606.19539v1astro-ph.SR

태양 고에너지 입자 예측을 위한 머신러닝 모델 리뷰

Review of Machine Learning Models for Solar Energetic Particle Prediction

태양 고에너지 입자(SEP) 사건은 항공, 우주선 전자장비, 지구 자기권 밖의 유인 탐사 임무에 대한 중대한 방사선 위협으로 인해 점차 더 많은 관심을 끌고 있습니다. 과학적 관점에서 볼 때, SEP 사건은 태양 표면과 코로나에서 태양권으로 이어지는 일련의 물리적 과정에서 발생하므로 매우 흥미롭습니다. 이는 천체물리학 전반에 걸쳐 널리 적용할 수 있는 입자 가속 및 수송 기전에 대한 통찰력을 제공합니다. 따라서 SEP 사건을 이해하고 예측하는 능력을 고도화하는 것은 이러한 기전에 대한 지식을 심화하고 우주 기술 및 탐험을 보호하기 위해 필수적입니다. 전통적으로 연구자들은 물리 기반 시뮬레이션과 경험적 방법을 사용하여 SEP를 모델링해 왔습니다. 최근에는 머신러닝(ML)이 SEP 사건을 이해하고 예측하는 새로운 도구로 부상했습니다. 이 원고의 목적은 현재 이용 가능한 SEP 예측 ML 모델을 검토하고, 학습(training)에 사용된 데이터셋을 식별하며, 해당 모델의 아키텍처, 입력, 출력을 비교하는 것입니다. 또한 이러한 통찰력을 바탕으로 향후 연구를 위한 모범 사례와 권장 사항을 제시합니다.