論文の概要: Deep Neural Operator Driven Real Time Inference for Nuclear Systems to Enable Digital Twin Solutions

• arxiv url: http://arxiv.org/abs/2308.07523v2
• Date: Sun, 28 Apr 2024 04:31:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-01 01:04:37.888493
• Title: Deep Neural Operator Driven Real Time Inference for Nuclear Systems to Enable Digital Twin Solutions
• Title（参考訳）: 深部ニューラル演算子駆動型実時間推定によるディジタル双極子解の実現
• Authors: Kazuma Kobayashi, Syed Bahauddin Alam,
• Abstract要約: 本研究では,難解な粒子輸送問題の解法におけるDeepONetの一般化性と計算効率について述べる。 DeepONetはまた、従来のMLメソッドよりも優れた予測精度とスピードを示している。 全体として、DeepONetは有望で変革的な核工学の研究と応用ツールである。
• 参考スコア（独自算出の注目度）: 0.5115559623386964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper focuses on the feasibility of Deep Neural Operator (DeepONet) as a robust surrogate modeling method within the context of digital twin (DT) for nuclear energy systems. Through benchmarking and evaluation, this study showcases the generalizability and computational efficiency of DeepONet in solving a challenging particle transport problem. DeepONet also exhibits remarkable prediction accuracy and speed, outperforming traditional ML methods, making it a suitable algorithm for real-time DT inference. However, the application of DeepONet also reveals challenges related to optimal sensor placement and model evaluation, critical aspects of real-world implementation. Addressing these challenges will further enhance the method's practicality and reliability. Overall, DeepONet presents a promising and transformative nuclear engineering research and applications tool. Its accurate prediction and computational efficiency capabilities can revolutionize DT systems, advancing nuclear engineering research. This study marks an important step towards harnessing the power of surrogate modeling techniques in critical engineering domains.
• Abstract（参考訳）: 本稿では,Deep Neural Operator (DeepONet) の核エネルギーシステムに対するディジタルツイン (DT) の文脈におけるロバスト・サロゲート・モデリング手法としての可能性に焦点を当てる。 本研究では,DeepONetの粒子輸送問題における一般化可能性と計算効率について検討した。 DeepONetはまた、従来のMLメソッドよりも優れた予測精度と速度を示し、リアルタイムDT推論に適したアルゴリズムである。 しかし,DeepONetの応用は,センサ配置やモデル評価,実世界の実装における重要な側面に関わる課題も明らかにしている。 これらの課題に対処することで、メソッドの実用性と信頼性をさらに高めることができます。 全体として、DeepONetは有望で変革的な核工学の研究と応用ツールである。 その正確な予測と計算効率の能力はDTシステムに革命をもたらし、原子力工学の研究を前進させる。 本研究は,重要な工学領域における代理モデリング技術の力を利用するための重要なステップである。

関連論文リスト

• Virtual Sensing for Real-Time Degradation Monitoring of Nuclear Systems: Leveraging DeepONet for Enhanced Sensing Coverage for Digital Twin-Enabling Technology [0.36651088217486427]
  本稿では,AP-1000加圧水炉(PWR)の高温脚の熱水理パラメータを予測するために,デジタルツイン(DT)フレームワークにおけるDeepONet(DeepONet)の利用について検討する。 以上の結果から,DeepONetは平均二乗誤差と相対L2誤差で精度の高い予測を行い,従来の有限要素シミュレーション(FE)の160,000倍の精度で予測を行うことができた。
  論文  参考訳（メタデータ） (2024-10-17T16:56:04Z)
• Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
  産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。 製品ライフサイクルを通じてデータをデジタル化することで、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。 産業用IoT(Industrial Internet of Things, IIoT)デバイスを利用すれば、DTを構築するためのデータを共有するメカニズムは、悪い選択問題の影響を受けやすい。
  論文  参考訳（メタデータ） (2024-08-02T10:47:10Z)
• Constructing and Evaluating Digital Twins: An Intelligent Framework for DT Development [11.40908718824589]
  デジタルツインズ(DT)の開発は、制御されたデジタル空間における複雑なシステムをシミュレートし最適化するための変革的な進歩を表している。 本稿では,アルゴリズム性能試験におけるDTの精度と有用性を高めるために,DTの構築と評価のためのインテリジェントなフレームワークを提案する。 本稿では,Deep Learning-based policy gradient techniqueを統合してDTパラメータを動的に調整し,物理システムのデジタル複製における高い忠実性を確保する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T01:45:18Z)
• Aquatic Navigation: A Challenging Benchmark for Deep Reinforcement Learning [53.3760591018817]
  ゲームエンジンとDeep Reinforcement Learningの統合の最近の進歩を利用して,水上ナビゲーションのための新しいベンチマーク環境を提案する。 具体的には、最も広く受け入れられているアルゴリズムの一つであるPPOに着目し、先進的なトレーニング手法を提案する。 実験により,これらの成分をうまく組み合わせることで,有望な結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-05-30T23:20:23Z)
• AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation Using Intelligent Sensing System [52.93806509364342]
  本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。 本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。 本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
  論文  参考訳（メタデータ） (2023-12-18T12:37:35Z)
• Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
  ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。 ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。 新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
  論文  参考訳（メタデータ） (2023-08-27T03:55:28Z)
• On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
  我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。 まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• 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)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)
• Hyper-Parameter Optimization: A Review of Algorithms and Applications [14.524227656147968]
  本稿では,自動ハイパーパラメータ最適化(HPO)における最も重要なトピックについて概説する。 この研究は主要な最適化アルゴリズムとその適用性に焦点を当て、特にディープラーニングネットワークの効率と精度をカバーしている。 本稿では,HPOをディープラーニングに適用する際の問題点,最適化アルゴリズムの比較,および限られた計算資源を用いたモデル評価における顕著なアプローチについて述べる。
  論文  参考訳（メタデータ） (2020-03-12T10:12:22Z)

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。