Inference of fixed bias probe measurements - A machine learning approach
Notice bibliographique
Résumé
Abstract A new approach is presented to improve inferences made with Langmuir probe measurements in plasma while providing estimates of uncertainties. The technique makes use of a combination of computer simulations, analytic approximations, and multivariate regressions. It involves training inference models using currents collected by two probes, biased at different fixed potentials relative to a satellite. An advantage with fixed bias probes is their higher temporal and spatial resolution, compared to the more standard mode operation where bias voltages are swept in time. Synthetic data used to train models are constructed from kinetic simulations with assumed satellite and plasma parameters relevant to satellites in Low Earth Orbit (LEO). Simulations are made assuming a truncated Swarm geometry, the two Electric Field Instruments (EFI) Langmuir probes, and different satellite potentials in the range [-3, 0] V. Models are constructed using two approaches, with two-tuples of currents as independent variables. Inference skills are assessed with different metrics, from comparisons between inferred plasma and satellite parameters, and known values used as input in the simulations. The models are then applied to infer the same physical parameters, using Swarm A in situ measured currents, and comparing them with values reported on the Swarm data portal. Inferences are consistent with values reported on the Swarm data portal, although it is not possible at this point to determine if, and if so, to what extent, the simulation-regression approach leads to better inferences.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».