Búsqueda · 31 momentos en 26 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 GilSara RobiscoLIGOVirgoKAGRA
Validación datos experimentales michigan
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
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 describe un problema relacionado con la falta de datos reales para entrenar redes neuronales y cómo los investigadores han solucionado este inconveniente.
Habla: Sara RobiscoSignificado #3 · Palabras #5datos sintéticos para redes neuronalesconjunto de validación con datos realesentrenamiento con datos ficticios sara robisco…y con todas estas ventajas han conseguido eso: que con un trocito de la gráfica ella te dé los parámetros con una precisión de más de un 90%. Se ha entrenado, eso sí, tenemos muy poquitos datos de LIGO, Virgo y KAGRA de fusión de estrellas de neutrones y. Esto es un problemón. ¿Qué se ha hecho? Ellos han generado de forma sintética datos, han empezado a generar datos, han hecho un conjunto de datos sintéticos grande, lo han entrenado con estos datos ficticios y luego el conjunto de validación con el que lo han testeado es con datos reales, con esas poquitas percepciones que tenemos, y funciona muy bien. Y no solo eso, es tan rápida y tan eficiente. Que la podríamos tener en tiempo real en un ordenador según se va recibiendo la señal de LIGO, Virgo y KAGRA, ¡pum, pum, pum, pum!, ella procesando y en cuanto detecte algo que lance la señal. Esto supondría una herramienta muy útil para detectar este tipo de…