ترجمه فارسی مقاله بازسازی ناپایداری‌های ریشت‌مایر-مشکوف از رادیوگرافی‌های نویزی با استفاده از ویژگی‌های ابعاد پایین و شبکه‌های عصبی مبتنی بر توجه

چکیده

A trained attention-based transformer network can robustly recover the complex topologies given by the Richtmyer-Meshkoff instability from a sequence of hydrodynamic features derived from radiographic images corrupted with blur, scatter, and noise. This approach is demonstrated on ICF-like double shell hydrodynamic simulations. The key component of this network is a transformer encoder that acts on a sequence of features extracted from noisy radiographs. This encoder includes numerous self-attention layers that act to learn temporal dependencies in the input sequences and increase the expressiveness of the model. This approach is demonstrated to exhibit an excellent ability to accurately recover the Richtmyer-Meshkov instability growth rates, even despite the gas-metal interface being greatly obscured by radiographic noise.

چکیده به فارسی (ترجمه ماشینی)

یک شبکه ترانسفورماتور مبتنی بر توجه می تواند توپولوژی های پیچیده ای را که توسط ناپایداری Richtmyer-Meshkoff از دنباله ای از ویژگی های هیدرودینامیکی حاصل از تصاویر رادیوگرافی فاسد شده با تاری ، پراکندگی و سر و صدا خراب شده است ، بازیابی کند.این رویکرد در شبیه سازی هیدرودینامیکی پوسته دوتایی ICF مانند ICF نشان داده شده است.مؤلفه اصلی این شبکه یک رمزگذار ترانسفورماتور است که بر روی دنباله ای از ویژگی های استخراج شده از رادیوگرافی پر سر و صدا عمل می کند.این رمزگذار شامل بسیاری از لایه های خودآزمایی است که برای یادگیری وابستگی های زمانی در توالی های ورودی و افزایش بیان مدل عمل می کنند.این رویکرد نشان داده شده است که توانایی بسیار خوبی برای بازیابی دقیق نرخ رشد ناپایداری Richtmyer-Meshkov نشان می دهد ، حتی با وجود رابط کاربری گاز بنزین که در اثر سر و صدای رادیوگرافی بسیار مبهم است.