論文の概要: Shaping of Magnetic Field Coils in Fusion Reactors using Bayesian
Optimisation
- arxiv url: http://arxiv.org/abs/2310.01455v1
- Date: Mon, 2 Oct 2023 10:47:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 19:48:45.598203
- Title: Shaping of Magnetic Field Coils in Fusion Reactors using Bayesian
Optimisation
- Title(参考訳): ベイズ最適化による核融合炉の磁場コイル形成
- Authors: Timothy Nunn, Vignesh Gopakumar, Sebastien Kahn
- Abstract要約: 磁気閉じ込めを用いた核融合は、持続可能エネルギーの方法として有望である。
ほとんどの核融合装置は実験段階にあり、エネルギー原子炉に向かっているため、我々は新しい工学パラダイムに参入している。
デザイン検索空間の探索と最適パラメータの同定を支援するAI駆動型戦略の実証を実証する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nuclear fusion using magnetic confinement holds promise as a viable method
for sustainable energy. However, most fusion devices have been experimental and
as we move towards energy reactors, we are entering into a new paradigm of
engineering. Curating a design for a fusion reactor is a high-dimensional
multi-output optimisation process. Through this work we demonstrate a
proof-of-concept of an AI-driven strategy to help explore the design search
space and identify optimum parameters. By utilising a Multi-Output Bayesian
Optimisation scheme, our strategy is capable of identifying the Pareto front
associated with the optimisation of the toroidal field coil shape of a tokamak.
The optimisation helps to identify design parameters that would minimise the
costs incurred while maximising the plasma stability by way of minimising
magnetic ripples.
- Abstract(参考訳): 磁気閉じ込めを用いた核融合は持続可能エネルギーの方法として有望である。
しかし、ほとんどの核融合装置は実験段階にあり、我々はエネルギー原子炉に向かっているため、新しい工学パラダイムに参入している。
核融合炉の設計を計算することは高次元多出力最適化プロセスである。
この研究を通じて、デザイン検索空間を探索し、最適なパラメータを識別するAI駆動戦略の実証を実証する。
多出力ベイズ最適化スキームを利用することで、トカマクのトロイダル磁場コイル形状の最適化に関連するパレートフロントを識別することができる。
最適化は、磁気リップルを最小化することでプラズマの安定性を最大化しながら、発生するコストを最小化する設計パラメータを特定するのに役立つ。
関連論文リスト
- Machine Learning-Accelerated Multi-Objective Design of Fractured Geothermal Systems [17.040963667188525]
本稿では, フラクチャードメディアにおける熱水シミュレーションと統合した, 能動学習による進化的多目的最適化アルゴリズムについて報告する。
ALEMO法は従来の進化法に比べて1~2桁の速度(10~100倍)で、必要なシミュレーションを著しく削減することを示した。
論文 参考訳(メタデータ) (2024-11-01T10:39:23Z) - Design Optimization of Nuclear Fusion Reactor through Deep Reinforcement Learning [4.297070083645049]
本研究では,核融合炉の設計を最適化するための深部強化学習の適用について検討する。
提案手法により, 建設コストを低減しつつ, 運転要件を満たす最適原子炉設計の立案が可能となる。
論文 参考訳(メタデータ) (2024-09-12T17:23:01Z) - Latent Energy-Based Odyssey: Black-Box Optimization via Expanded Exploration in the Energy-Based Latent Space [65.44449711359724]
ブラックボックス関数の高次元かつ高マルチモーダルな入力設計空間は、既存の手法に固有の課題をもたらす。
設計値の結合空間の圧縮的かつ正確な表現として機能する潜在空間の発見を検討する。
本稿では, 高精度潜時空間モデルの変分学習のための雑音強調型テレスコープ密度比推定法を提案する。
論文 参考訳(メタデータ) (2024-05-27T00:11:53Z) - Machine Learning-Assisted Discovery of Flow Reactor Designs [0.0]
本稿では,次世代の化学反応器の設計のための機械学習支援手法を提案する。
我々は高次元パラメータ化、計算流体力学、多次元ベイズ最適化を適用する。
従来の設計よりも60%のプラグフロー性能向上をもたらす新しい設計特徴の選定を合理化する。
論文 参考訳(メタデータ) (2023-08-17T08:00:20Z) - Deep Gaussian Process-based Multi-fidelity Bayesian Optimization for
Simulated Chemical Reactors [0.0]
深部ガウス過程(DGP)を多密度コイル管型原子炉シミュレーションのモデル化に応用する。
反応器ジオメトリーの探索空間は、異なる忠実度シミュレーションのアマルガムによって探索される。
シミュレーションの精度は、3Dプリントされた原子炉構成から得られた実験データに対して決定される。
論文 参考訳(メタデータ) (2022-10-31T10:52:16Z) - Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。
MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する
我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文 参考訳(メタデータ) (2022-10-24T16:54:18Z) - A machine-learning-based tool for last closed magnetic flux surface
reconstruction on tokamak [58.42256764043771]
トカマク装置による核融合発電は、クリーンエネルギーの持続可能な供給源として最も有望な方法の1つである。
トカマクの主な課題は、アクチュエータコイルと内部トカマクプラズマの相互作用によって決定される最後の閉じた磁束面(LCFS)を予測することである。
本研究では,実験データから自動的に学習する実験用超電導トカマク(EAST)からLCFSを再構築する機械学習モデルを提案する。
論文 参考訳(メタデータ) (2022-07-12T17:15:29Z) - Inverse design of photonic devices with strict foundry fabrication
constraints [55.41644538483948]
本稿では,ナノフォトニクス素子の逆設計法を提案し,設計が厳密な長さの制約を満たすことを保証した。
本手法の性能と信頼性を,いくつかの共通集積フォトニック部品を設計することによって実証する。
論文 参考訳(メタデータ) (2022-01-31T02:27:25Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳(メタデータ) (2021-05-06T02:22:23Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳(メタデータ) (2020-02-12T11:10:00Z)
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。