Búsqueda · 34 momentos en 25 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor SocasGastón Giribetmotores hall serie kht estudiosimulaciones motores hall realesdatos semirreales parámetros aleatoriosred neuronal diversidad entrenamientovalidación datos experimentales michiganserie KHTUniversidad de Michiganmotores HallJuan Carlos GilMachine LearningSara RobiscoDingoAlpha Centauri
Serie KHT
Con
0:000:301:001:302:002:303:12
Juan Carlos Gil explica cómo se generaron los 18.000 puntos de datos utilizados para entrenar el modelo Hall NN, detallando la proporción de simulaciones de motores Hall reales y datos semirreales con parámetros aleatorios.
…puntos, 18.000 generados, ¿cómo? Por simulaciones. Simulaciones híbridas, de las que hablamos antes, PIC, y esas para iones y átomos neutros pero para los electrones utilizaban de nuevo un fluido sin masa porque si no no les daría para hacer 18.000 ¿vale? De esos 18.000 puntos, 13.500 correspondían a simulaciones de motores Hall reales que fabrican de la serie KHT, que fabrican dos de las entidades del estudio. Dos de las propias filiaciones del estudio hacen motores iónicos y por eso han financiado este estudio. Y otros 3.500 se los añaden a los datos semirreales porque son simulados con parámetros aleatorios: motores un poquito absurdos para darle gracia a la red neuronal, para aumentar su diversidad, la diversidad del conjunto de entrenamiento. Y una vez que está entrenada la red, la validan con datos como experimentales porque tienen los motores. Los motores de la serie KHT reales y además otro que no aparece para nada en datos de entrenamiento: que es un motor real de la Universidad de Michigan. Bueno, resumiendo, los resultados son muy buenos: el empuje tiene errores inferiores a entre el 5 y el 9%, que aquí esto es tremendo, y la corriente de descarga entre el 6 y el 12%. Estos errores son inferiores a las leyes de escala que se utilizaban hace…
Significado #1 · Palabras #1
Sara Robisco pregunta por el nombre de una serie de televisión que ha visto y describe brevemente su trama, que involucra inteligencias artificiales y un posible lanzamiento a Alpha Centauri.
Habla: Sara RobiscoSignificado #11inteligencias artificiales alpha centauriserie panteón sara robiscovirus en serie animación…la fuerza centrífuga o como queramos llamarlo? He terminado de ver una serie que tienen una especie de ascensores que suben, tienen una estructura alrededor de la Tierra, igual, de ahí salen como unas navecitas que van en raíles y de ahí despegan al espacio. ¿Cuál es la serie, Sara? Panteón, a mí me ha resultado un poco, se hace cansina, o sea, empieza bien, empieza interesante, pero luego se hace pesa Pero no llegaba a la órbita geo, ¿no? No, no sé, o sea, porque se querían las inteligencias artificiales, se querían largar, o querían mandar una inteligencia artificial a... Ay, ¿a dónde era? ¿Alpha Centauri? ¿Algún lado querían lanzarla? Es que había una especie de virus que querían librarse de él ¿Esa es de animación o...? Es de animación, es de animación Va de que la premisa es, la gente se muere, te escanean el cerebro y te suben a la nube Y de la nube ya quieren pasar el espacio, que es lo siguiente De este tema tienes una serie mejor, a mí personalmente me ha gustado mucho más, que se llama Abloat, que es muy divertida…
Juan Carlos Gil explica cómo se generaron los 18.000 puntos de datos utilizados para entrenar el modelo Hall NN, detallando la proporción de simulaciones de motores Hall reales y datos semirreales con parámetros aleatorios.
Habla: Juan Carlos GilSignificado #1 · Palabras #1motores hall serie kht estudiosimulaciones motores hall realesdatos semirreales parámetros aleatoriosred neuronal diversidad entrenamientovalidación datos experimentales michigan…puntos, 18.000 generados, ¿cómo? Por simulaciones. Simulaciones híbridas, de las que hablamos antes, PIC, y esas para iones y átomos neutros pero para los electrones utilizaban de nuevo un fluido sin masa porque si no no les daría para hacer 18.000 ¿vale? De esos 18.000 puntos, 13.500 correspondían a simulaciones de motores Hall reales que fabrican de la serie KHT, que fabrican dos de las entidades del estudio. Dos de las propias filiaciones del estudio hacen motores iónicos y por eso han financiado este estudio. Y otros 3.500 se los añaden a los datos semirreales porque son simulados con parámetros aleatorios: motores un poquito absurdos para darle gracia a la red neuronal, para aumentar su diversidad, la diversidad del conjunto de entrenamiento. Y una vez que está entrenada la red, la validan con datos como experimentales porque tienen los motores. Los motores de la serie KHT reales y además otro que no aparece para nada en datos de entrenamiento: que es un motor real de la Universidad de Michigan. Bueno, resumiendo, los resultados son muy buenos: el empuje tiene errores inferiores a entre el 5 y el 9%, que aquí esto es tremendo, y la corriente de descarga entre el 6 y el 12%. Estos errores son inferiores a las leyes de escala que se utilizaban hace…
Sara Robisco pregunta sobre qué tipos de redes neuronales son adecuadas para analizar gráficas como series temporales, introduciendo el concepto de redes neuronales recurrentes.
Habla: Sara RobiscoPalabras #4redes neuronales recurrentes sara robiscográfica como serie temporalseries temporales redes neuronales…siendo eficiente y preciso. Entonces ellos proponen una red neuronal que han llamado Dingo BNS por fusión de estrellas de neutrones; porque ellos ya tienen otro Dingo. Hace unos años ellos propusieron un Dingo para fusión de agujeros negros. Vale, entonces Dices, vale, Machine Learning: una red neuronal. ¿Qué tipo de red neuronal así que conozcamos, que hablamos, ha hablado de ellas? ¿Os suena que una gráfica es una serie temporal que trabaja muy bien con series temporales? Venga, vamos ahí un poquito a jugar. Venga, todos nos suenan, habéis escuchado hablarme, series temporales, tal, redes neuronales recurrentes, ¿verdad? Sería lo más lógico para este tipo de datos. ¿Por qué? Porque cogen muy bien la señal en el tiempo, son muy precisas, vale. Pero tenemos unos problemas: son lentas; bueno, lentas no, porque las tenemos analizando textos y conversando, pero son grandes, son complicadas de entrenar porque tenemos que…