論文の概要: Empirical Models for Multidimensional Regression of Fission Systems
- arxiv url: http://arxiv.org/abs/2105.14645v1
- Date: Sun, 30 May 2021 22:53:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 16:52:43.066449
- Title: Empirical Models for Multidimensional Regression of Fission Systems
- Title(参考訳): フィッションシステムの多次元回帰に関する経験モデル
- Authors: Akshay J. Dave (1), Jiankai Yu (1), Jarod Wilson (1), Bren Phillips
(1), Kaichao Sun (1), Benoit Forget (1) ((1) Massachusetts Institute of
Technology)
- Abstract要約: 我々は、中性子輸送の多次元回帰のための経験的モデルを開発するためのガイドラインを開発する。
精度と精度を評価すると、SVRがANNに追随し、最高の性能を発揮することが分かる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of next-generation autonomous control of fission systems,
such as nuclear power plants, will require leveraging advancements in machine
learning. For fission systems, accurate prediction of nuclear transport is
important to quantify the safety margin and optimize performance. The
state-of-the-art approach to this problem is costly Monte Carlo (MC)
simulations to approximate solutions of the neutron transport equation. Such an
approach is feasible for offline calculations e.g., for design or licensing,
but is precluded from use as a model-based controller. In this work, we explore
the use of Artificial Neural Networks (ANN), Gradient Boosting Regression
(GBR), Gaussian Process Regression (GPR) and Support Vector Regression (SVR) to
generate empirical models. The empirical model can then be deployed, e.g., in a
model predictive controller. Two fission systems are explored: the subcritical
MIT Graphite Exponential Pile (MGEP), and the critical MIT Research Reactor
(MITR).
Findings from this work establish guidelines for developing empirical models
for multidimensional regression of neutron transport. An assessment of the
accuracy and precision finds that the SVR, followed closely by ANN, performs
the best. For both MGEP and MITR, the optimized SVR model exhibited a
domain-averaged, test, mean absolute percentage error of 0.17 %. A spatial
distribution of performance metrics indicates that physical regions of poor
performance coincide with locations of largest neutron flux perturbation --
this outcome is mitigated by ANN and SVR. Even at local maxima, ANN and SVR
bias is within experimental uncertainty bounds. A comparison of the performance
vs. training dataset size found that SVR is more data-efficient than ANN. Both
ANN and SVR achieve a greater than 7 order reduction in evaluation time vs. a
MC simulation.
- Abstract(参考訳): 原子力発電所などの核分裂システムの次世代自律制御の開発には、機械学習の進歩の活用が必要である。
核分裂系では、核輸送の正確な予測は安全マージンを定量化し、性能を最適化するために重要である。
この問題に対する最先端のアプローチは、中性子輸送方程式の解を近似するモンテカルロ(MC)シミュレーションである。
このようなアプローチは、設計やライセンスなど、オフラインで計算できるが、モデルベースのコントローラとしての使用は禁止されている。
本研究では、ニューラルネットワーク(ANN)、グラディエントブースティング回帰(GBR)、ガウスプロセス回帰(GPR)、サポートベクトル回帰(SVR)を用いて経験的モデルを生成する。
経験的モデルは、例えばモデル予測コントローラにデプロイすることができる。
サブクリティカルなMIT Graphite Exponential Pile (MGEP) と、重要なMIT Research Reactor (MITR) の2つのフィッションシステムが探索されている。
この研究から得られた発見は、中性子輸送の多次元回帰のための経験的モデルを開発するためのガイドラインを確立する。
精度と精度を評価すると、SVRがANNに追随し、最高の性能を発揮することが分かる。
MGEPとMITRの両方で、最適化されたSVRモデルは、平均的な、平均的な絶対的なパーセンテージエラー0.17%を示した。
性能測定値の空間分布は、低性能の物理領域が最大の中性子フラックス摂動位置と一致することを示しており、この結果はANNとSVRによって緩和される。
局所的な最大でも、ANNとSVRバイアスは実験的な不確実性境界内にある。
パフォーマンスとトレーニングデータセットのサイズを比較すると、SVRはANNよりもデータ効率が高いことがわかった。
ANNとSVRは、MCシミュレーションと比較して評価時間の7桁以上削減できる。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - Finding the Perfect Fit: Applying Regression Models to ClimateBench v1.0 [0.0]
ClimateBenchは、気候データ用に設計された機械学習エミュレータのパフォーマンスを評価するためのベンチマークデータセットである。
本研究は、上記のデータセットを用いて非線形回帰モデルを評価することに焦点を当てる。
論文 参考訳(メタデータ) (2023-08-23T01:08:01Z) - End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳(メタデータ) (2023-07-17T07:12:29Z) - Fitting a Directional Microstructure Model to Diffusion-Relaxation MRI
Data with Self-Supervised Machine Learning [2.8167227950959206]
教師付き学習の魅力的な代替手段として、自己教師型機械学習が登場している。
本稿では,指向性マイクロ構造モデルに適用可能な自己教師型機械学習モデルを実証する。
提案手法は, パラメータ推定と計算時間において, 通常の非線形最小二乗整合と比較して明らかに改善されている。
論文 参考訳(メタデータ) (2022-10-05T15:51:39Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳(メタデータ) (2022-09-07T15:15:12Z) - Value-Consistent Representation Learning for Data-Efficient
Reinforcement Learning [105.70602423944148]
本稿では,意思決定に直接関連のある表現を学習するための,VCR(Value-Consistent Expression Learning)という新しい手法を提案する。
この想像された状態と環境によって返される実状態とを一致させる代わりに、VCRは両方の状態に$Q$-valueヘッドを適用し、2つのアクション値の分布を得る。
検索不要なRLアルゴリズムに対して,提案手法が新たな最先端性能を実現することが実証された。
論文 参考訳(メタデータ) (2022-06-25T03:02:25Z) - Conversion Rate Prediction via Meta Learning in Small-Scale
Recommendation Scenarios [17.02759665047561]
本稿では,データ分散ゆらぎ(DDF)問題に対処するメタ学習の観点から,MetaCVRという新しいCVR手法を提案する。
我々の知る限りでは、小規模なレコメンデーションシナリオにおけるDFF問題を対象としたCVR予測の最初の研究である。
論文 参考訳(メタデータ) (2021-12-27T16:05:42Z) - Quantum-Assisted Support Vector Regression for Detecting Facial
Landmarks [0.0]
我々は、2つのSVRモデルをトレーニングするためのアルゴリズム、すなわちシミュレートと量子古典ハイブリッドを考案した。
我々は,PythonのScikit-LernパッケージのSVR実装と比較した。
我々の研究は、量子支援型SVRを教師付き学習タスクに適用するための概念実証の例である。
論文 参考訳(メタデータ) (2021-11-17T18:57:10Z) - Flow based features and validation metric for machine learning
reconstruction of PIV data [0.0]
物理指向アプローチによる実データからのフローフィールドの再構築は、AIコミュニティにおける流体科学者の現在の課題である。
本稿では、異なるフローベースの特徴のコントリビューションを研究するために機械学習アプローチを適用する。
物理フロー再生の重要な要件として, 質量保存則を反映した計量法則を提案する。
論文 参考訳(メタデータ) (2021-05-27T20:05:41Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳(メタデータ) (2021-05-07T11:39:05Z)
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。