論文の概要: Transfer learning driven design optimization for inertial confinement fusion

• arxiv url: http://arxiv.org/abs/2205.13519v1
• Date: Thu, 26 May 2022 17:38:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-27 15:01:22.286664
• Title: Transfer learning driven design optimization for inertial confinement fusion
• Title（参考訳）: 慣性閉じ込め融合のためのトランスファー学習駆動設計最適化
• Authors: K. D. Humbird and J. L. Peterson
• Abstract要約: 伝達学習は、シミュレーションと実験データを共通のフレームワークに組み込む予測モデルを作成するための有望なアプローチである。 従来のモデルキャリブレーション手法よりも設計を最適化する方が効率的であることを示す。
• 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: Transfer learning is a promising approach to creating predictive models that incorporate simulation and experimental data into a common framework. In this technique, a neural network is first trained on a large database of simulations, then partially retrained on sparse sets of experimental data to adjust predictions to be more consistent with reality. Previously, this technique has been used to create predictive models of Omega and NIF inertial confinement fusion (ICF) experiments that are more accurate than simulations alone. In this work, we conduct a transfer learning driven hypothetical ICF campaign in which the goal is to maximize experimental neutron yield via Bayesian optimization. The transfer learning model achieves yields within 5% of the maximum achievable yield in a modest-sized design space in fewer than 20 experiments. Furthermore, we demonstrate that this method is more efficient at optimizing designs than traditional model calibration techniques commonly employed in ICF design. Such an approach to ICF design could enable robust optimization of experimental performance under uncertainty.
• Abstract（参考訳）: 転送学習は、シミュレーションと実験データを共通のフレームワークに組み込む予測モデルを作成するための有望なアプローチである。 このテクニックでは、ニューラルネットワークはまず、大きなシミュレーションのデータベース上でトレーニングされ、その後、分散した実験データのセットで部分的に再トレーニングされ、現実と一貫性のある予測を調整する。 従来、この技術は、シミュレーション単独よりも正確なOmegaとNIF慣性閉じ込め融合(ICF)実験の予測モデルの作成に用いられてきた。 本研究では,ベイズ最適化による実験中性子収率の最大化を目標とする移動学習駆動型ICFキャンペーンを行う。 トランスファー学習モデルは,20実験未満で,小型設計空間における最大収率の5%以内の収率を達成する。 さらに,本手法は,icf設計において一般的なモデルキャリブレーション手法よりも,設計の最適化に有効であることを示す。 ICF設計へのこのようなアプローチは、不確実性の下で実験性能の堅牢な最適化を可能にする。

関連論文リスト

• Don't You (Project Around Discs)? Neural Network Surrogate and Projected Gradient Descent for Calibrating an Intervertebral Disc Finite Element Model [9.456474817418703]
  本研究では,ニューラルネットワーク(NN)サロゲートを用いたL4-L5 IVD FEモデルに対して,新しい,効率的かつ効果的なキャリブレーション手法を提案する。 NNサロゲートはシミュレーションの結果を高精度に予測し、他の機械学習モデルより優れている。 従来のキャリブレーションでは1サンプルにつき最大8日, キャリブレーション時間を3秒未満に短縮する。
  論文  参考訳（メタデータ） (2024-08-12T11:39:21Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• Bayesian Optimization for Robust State Preparation in Quantum Many-Body Systems [0.0]
  我々は最近,超低温原子系で実装された状態準備プロトコルにベイズ最適化を適用した。 手動ランプ設計と比較して,最適化手法の優れた性能を数値シミュレーションで示す。 提案されたプロトコルとワークフローは、実験においてより複雑な多体量子状態の実現に向けた道を開く。
  論文  参考訳（メタデータ） (2023-12-14T18:59:55Z)
• Transformer-Powered Surrogates Close the ICF Simulation-Experiment Gap with Extremely Limited Data [24.24053233941972]
  本稿では,マルチモーダル出力シナリオにおける予測精度向上のためのトランスフォーマーを用いた新しい手法を提案する。 提案手法はトランスフォーマーアーキテクチャと新しいグラフベースのハイパーパラメータ最適化手法を統合する。 実世界のデータ10枚しか入手できない慣性閉じ込め核融合実験へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-12-06T17:53:06Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
  予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T02:12:34Z)
• Cognitive simulation models for inertial confinement fusion: Combining simulation and experimental data [0.0]
  研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。 より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。 本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
  論文  参考訳（メタデータ） (2021-03-19T02:00:14Z)

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。