論文の概要: Fast Regression of the Tritium Breeding Ratio in Fusion Reactors

• arxiv url: http://arxiv.org/abs/2104.04026v1
• Date: Thu, 8 Apr 2021 19:55:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-12 13:54:50.076364
• Title: Fast Regression of the Tritium Breeding Ratio in Fusion Reactors
• Title（参考訳）: 核融合炉におけるトリチウム育種率の高速回帰
• Authors: Petr M\'anek (1 and 2), Graham Van Goffrier (1), Vignesh Gopakumar (3), Nikolaos Nikolaou (1), Jonathan Shimwell (3) and Ingo Waldmann (1) ((1) Department of Physics and Astronomy, University College London, London, UK, (2) Institute of Experimental and Applied Physics, Czech Technical University, Prague, Czech Republic, (3) UK Atomic Energy Authority, Culham Science Centre, Abingdon, UK)
• Abstract要約: トリチウム繁殖比(TBR)は、現代および次世代のD-T燃料核融合炉の設計に不可欠な量です。 本論文では,各々の研究するサロゲートと相互に作用する新しい適応サンプリングアルゴリズムであるQuality-Adaptive Surrogate Samplingを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The tritium breeding ratio (TBR) is an essential quantity for the design of modern and next-generation D-T fueled nuclear fusion reactors. Representing the ratio between tritium fuel generated in breeding blankets and fuel consumed during reactor runtime, the TBR depends on reactor geometry and material properties in a complex manner. In this work, we explored the training of surrogate models to produce a cheap but high-quality approximation for a Monte Carlo TBR model in use at the UK Atomic Energy Authority. We investigated possibilities for dimensional reduction of its feature space, reviewed 9 families of surrogate models for potential applicability, and performed hyperparameter optimisation. Here we present the performance and scaling properties of these models, the fastest of which, an artificial neural network, demonstrated $R^2=0.985$ and a mean prediction time of $0.898\ \mu\mathrm{s}$, representing a relative speedup of $8\cdot 10^6$ with respect to the expensive MC model. We further present a novel adaptive sampling algorithm, Quality-Adaptive Surrogate Sampling, capable of interfacing with any of the individually studied surrogates. Our preliminary testing on a toy TBR theory has demonstrated the efficacy of this algorithm for accelerating the surrogate modelling process.
• Abstract（参考訳）: トリチウム繁殖比(TBR)は、現代および次世代のD-T核融合炉の設計に欠かせない量である。 育種ブランケットで発生するトリチウム燃料と原子炉実行時に消費される燃料の比を表し、tbrは原子炉の形状と材料特性に複雑な方法で依存する。 本研究では,イギリス原子力公社で使用中のモンテカルロtbrモデルに対して,安価で高品質な近似値を生成するためのサロゲートモデルの訓練について検討した。 特徴空間の次元的縮小の可能性について検討し, 9種類のサロゲートモデルの応用可能性について検討し, ハイパーパラメータ最適化を行った。 ここでは,これらのモデルの性能とスケーリング特性について述べる。最も高速な人工ニューラルネットワークは,R^2=0.985$,平均予測時間は0.898\\mu\mathrm{s}$であり,高価なMCモデルに対して8\cdot 10^6$である。 さらに, 個別に解析したサロゲートのいずれとも対話可能な, 適応型サンプリングアルゴリズムである quality-adaptive surrogate sampling を提案する。 トイtbr理論の予備実験により,このアルゴリズムがサロゲートモデリングプロセスの高速化に有効であることを実証した。

関連論文リスト

• Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks [0.1752969190744922]
  設計技術の共同最適化(DTCO)は、最適パワー、性能、領域を達成する上で重要な役割を果たす。 本稿では,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-20T06:10:27Z)
• Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
  トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。 深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。 我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。 FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
  論文  参考訳（メタデータ） (2023-11-10T10:05:00Z)
• Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
  非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。 本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-05T00:23:34Z)
• A Hybrid Data-Driven Multi-Stage Deep Learning Framework for Enhanced Nuclear Reactor Power Prediction [0.4166512373146748]
  本稿では,リアクトル過渡期の最終定常電力を予測するための,新しい多段階深層学習フレームワークを提案する。 我々は、分類段階と回帰段階の両方のフィードフォワードニューラルネットワークを使用し、リアクトルパワーの実環境計測と制御状態を統合したユニークなデータセットをトレーニングする。 ノイズを伴うシミュレーションデータの取り込みにより、モデルの一般化能力が大幅に向上し、オーバーフィッティングのリスクが軽減される。
  論文  参考訳（メタデータ） (2022-11-23T17:32:52Z)
• Optimizing Stimulus Energy for Cochlear Implants with a Machine Learning Model of the Auditory Nerve [0.0]
  我々は,より効率的にシミュレーションを行うために,聴覚神経線維モデルの近似モデルを開発した。 畳み込みニューラルネットワークは、聴覚神経線維モデルの挙動を極めて高い類似性でエミュレートすることができた。 また,超平面投影を用いた電荷平衡波形をランダムに生成する手法を提案する。
  論文  参考訳（メタデータ） (2022-11-14T11:28:39Z)
• Controllable and Compositional Generation with Latent-Space Energy-Based Models [60.87740144816278]
  制御可能な生成は、現実世界のアプリケーションで深層生成モデルの採用を成功させる上で重要な要件の1つである。 本研究では, エネルギーモデル(EBM)を用いて, 属性の集合上での合成生成を扱う。 エネルギー関数を論理演算子と合成することにより、分解能1024x1024のフォトリアリスティック画像を生成する際に、このような構成性を実現するのはこれが初めてである。
  論文  参考訳（メタデータ） (2021-10-21T03:31:45Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Machine learning-assisted surrogate construction for full-core fuel performance analysis [0.0]
  本研究は、いくつかの現実的な平衡PWRコア設計に基づくフルコアサロゲート構築手法を提案する。 構築されたサーロゲートは、予測精度を満足して少なくとも1万時間加速度を達成する。
  論文  参考訳（メタデータ） (2021-04-17T17:02:50Z)
• Toward Machine Learned Highly Reduce Kinetic Models For Methane/Air Combustion [0.0]
  運動モデルを用いて、物理実験と比較して運転条件、燃料組成、燃焼器設計の影響をテストする。 対象とする詳細なモデル特性を高い忠実度で再現するコンパクトモデルを作成するための,新しいデータ指向三段階法を提案する。 この戦略はメタン/空気燃焼のための19種と15種のコンパクトモデルによって実証されている。
  論文  参考訳（メタデータ） (2021-03-15T13:29:08Z)
• Joint Training of Variational Auto-Encoder and Latent Energy-Based Model [112.7509497792616]
  本稿では,変分オートエンコーダ(VAE)と潜時エネルギーベースモデル(EBM)を併用した共同学習手法を提案する。 VAEと潜伏ESMのジョイントトレーニングは、潜伏ベクトル上の3つの関節分布と画像との間の3つのクルバック・リーブラー分岐からなる目的関数に基づいている。
  論文  参考訳（メタデータ） (2020-06-10T20:32:25Z)
• Nonparametric Estimation in the Dynamic Bradley-Terry Model [69.70604365861121]
  カーネルのスムース化に依存する新しい推定器を開発し、時間とともにペア比較を前処理する。 モデルに依存しない設定における推定誤差と余剰リスクの両方について時間変化のオラクル境界を導出する。
  論文  参考訳（メタデータ） (2020-02-28T21:52:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。