ترجمه فارسی مقاله تقریب پراکندگی ریلی در جو سیارات فراخورشیدی با استفاده از شبکه‌های عصبی مبتنی بر فیزیک (PINN)

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Approximating Rayleigh Scattering in Exoplanetary Atmospheres using Physics-informed Neural Networks (PINNs)
عنوان مقاله به فارسی تقریب پراکندگی ریلی در جو سیارات فراخورشیدی با استفاده از شبکه‌های عصبی مبتنی بر فیزیک (PINN)
نویسندگان David Dahlbüdding, Karan Molaverdikhani, Barbara Ercolano, Tommaso Grassi
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
دسته بندی موضوعات Earth and Planetary Astrophysics,Instrumentation and Methods for Astrophysics,Machine Learning,Neural and Evolutionary Computing,اخترفیزیک زمین و سیاره ای , ابزار دقیق و روش های اخترفیزیک , یادگیری ماشین , محاسبات عصبی و تکاملی ,
توضیحات Submitted 31 July, 2024; originally announced August 2024.
توضیحات به فارسی ارسال 31 ژوئیه 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 400,000 تومان

زمان تحویل: 2 تا 3 روز کاری


📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This research introduces an innovative application of physics-informed neural networks (PINNs) to tackle the intricate challenges of radiative transfer (RT) modeling in exoplanetary atmospheres, with a special focus on efficiently handling scattering phenomena. Traditional RT models often simplify scattering as absorption, leading to inaccuracies. Our approach utilizes PINNs, noted for their ability to incorporate the governing differential equations of RT directly into their loss function, thus offering a more precise yet potentially fast modeling technique. The core of our method involves the development of a parameterized PINN tailored for a modified RT equation, enhancing its adaptability to various atmospheric scenarios. We focus on RT in transiting exoplanet atmospheres using a simplified 1D isothermal model with pressure-dependent coefficients for absorption and Rayleigh scattering. In scenarios of pure absorption, the PINN demonstrates its effectiveness in predicting transmission spectra for diverse absorption profiles. For Rayleigh scattering, the network successfully computes the RT equation, addressing both direct and diffuse stellar light components. While our preliminary results with simplified models are promising, indicating the potential of PINNs in improving RT calculations, we acknowledge the errors stemming from our approximations as well as the challenges in applying this technique to more complex atmospheric conditions. Specifically, extending our approach to atmospheres with intricate temperature-pressure profiles and varying scattering properties, such as those introduced by clouds and hazes, remains a significant area for future development.

چکیده به فارسی (ترجمه ماشینی)

این تحقیق یک کاربرد نوآورانه از شبکه های عصبی آگاه از فیزیک (PINN) را برای مقابله با چالش های پیچیده مدل سازی انتقال تابش (RT) در جوهای بیضح ، با تمرکز ویژه بر روی کارآمد استفاده از پدیده های پراکندگی ، معرفی می کند.مدل های RT سنتی اغلب پراکندگی را به عنوان جذب ساده می کنند و منجر به نادرستی می شوند.رویکرد ما از Pinns استفاده می کند ، که به دلیل توانایی آنها در ترکیب معادلات دیفرانسیل حاکم بر RT به طور مستقیم در عملکرد از دست دادن آنها ، ذکر شده است ، بنابراین یک روش مدل سازی دقیق و در عین حال بالقوه سریعتر را ارائه می دهد.هسته اصلی روش ما شامل توسعه یک pinn پارامتر شده متناسب با یک معادله RT اصلاح شده است و سازگاری آن را با سناریوهای مختلف جوی تقویت می کند.ما روی RT در انتقال جوهای سیارات سیاره با استفاده از یک مدل ایزوترمال 1D ساده با ضرایب وابسته به فشار برای جذب و پراکندگی ریلی تمرکز می کنیم.در سناریوهای جذب خالص ، PINN اثربخشی خود را در پیش بینی طیف انتقال برای پروفایل های جذب متنوع نشان می دهد.برای پراکندگی ریلی ، شبکه با موفقیت معادله RT را محاسبه می کند و به اجزای نور ستاره ای مستقیم و پراکنده می پردازد.در حالی که نتایج اولیه ما با مدلهای ساده امیدوار کننده است ، که نشان دهنده پتانسیل PINN ها در بهبود محاسبات RT است ، ما خطاهای ناشی از تقریب های ما و همچنین چالش های استفاده از این تکنیک در شرایط جوی پیچیده تر را تأیید می کنیم.به طور خاص ، گسترش رویکرد ما به جو با پروفایل های فشرده دما و خصوصیات پراکندگی متفاوت ، مانند موارد معرفی شده توسط ابرها و خطرات ، همچنان یک منطقه مهم برای توسعه آینده است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.