Paper > SVM (Support Vector Machine) > Applying machine learning to estimate the optical properties of black carbon fractal aggregates by Luo et al. 2018 JQSRT

論文リンク

内容

• 処理時間が長い厳密な数値計算手法と比べて、処理時間を短くできるSVM(Support Vector Machine)を使う
• 結果は厳密なMSTMと比較
  • multiparticle sphere T-matrix (MSTM) method [15, 16]
• 計算対象
  • black carbon fractal aggregates
    • 葡萄の房のような形状の粒子
    • 構成粒子(葡萄のつぶ)をmonomerと言う
  • Df = 1.8 to 2.2
    • Df: fractal dimension
  • n_s = 3000まで
    • n_s: number of monomers
  • m = 1.95 + 0.79i
    • m: complex refractive index
      • 光学定数、複素屈折率、などの呼び名
      • 化学的組成に対応
    • 以下の値も検討 (Fig10)
      • from Bond and Bergstrom [11]
      • 1.75 + 0.63i
      • 1.80 + 0.67i
      • 1.85 + 0.71i
      • 1.90 + 0.75i
  • $\lambda$ (nm)
    • wavelength
• 比較項目
  • Qext; extinction efficiency
  • Qabs; absorption efficiency
  • Qsca; scattering efficiency
  • ASY; asymmetric factor
    • gという記載もされている
• 比較したところ、以下の精度を得られている
  • 2.3% (Qext)
  • 1.4% (Qabs)
  • 5% (Qsca)
  • 4.8% (ASY)
• 波長変化での比較 (Fig3)
• n_s (number of monomers)変化での比較 (Fig4, 6, 7, 9など)

SVM

SVMに関する部分の抜粋。

$\epsilon - SVR$ (epsilon support vector regression)を使用。

Due to the nonlinear correlation between optical properties and fractal parameters, the radial basis function (RBF) [54] was used in this study.

LIBSVM 使用。

下記のXとYの関係をSVMにて学習。

X = [ D_f \space k_0 \space \lambda \space n_s ]

Y = [ Q_{ext} \space Q_{abs} \space Q_{sca} \space g ]

私見

MSTMのような厳密計算では膨大な計算時間、計算資源(メモリ、CPU)が必要である。
その緩和策としてはEffective Medium Theory(EMT)という球形近似手法が広く使われてきたように思われる。

本論文におけるSVMはそのような近似手法ではなく、MSTM自体の計算結果の学習を行って、その誤差について紹介されている。

精度はMSTMよりは劣るが、Black carbon fractal aggregateの光学特性を広いパラメータ範囲（波長特性、monomer数特性）で論じる上ではEMTより有用ではないかと感じた。