論文の概要: Hybridizing Physics and Neural ODEs for Predicting Plasma Inductance Dynamics in Tokamak Fusion Reactors

• arxiv url: http://arxiv.org/abs/2310.20079v1
• Date: Mon, 30 Oct 2023 23:25:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 17:13:24.747739
• Title: Hybridizing Physics and Neural ODEs for Predicting Plasma Inductance Dynamics in Tokamak Fusion Reactors
• Title（参考訳）: トカマク核融合炉におけるプラズマインダクタンスダイナミクス予測のためのハイブリダイゼーション物理とニューラルode
• Authors: Allen M. Wang, Darren T. Garnier, and Cristina Rea
• Abstract要約: 我々は、Alcator C-Mod核融合炉のデータに基づいて、物理モデルとニューラルネットワークモデルの両方を訓練する。 物理に基づく方程式をニューラルODEと組み合わせたモデルは、既存の物理動機付きODEと純粋なニューラルODEモデルの両方よりも優れた性能を発揮する。
• 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: While fusion reactors known as tokamaks hold promise as a firm energy source, advances in plasma control, and handling of events where control of plasmas is lost, are needed for them to be economical. A significant bottleneck towards applying more advanced control algorithms is the need for better plasma simulation, where both physics-based and data-driven approaches currently fall short. The former is bottle-necked by both computational cost and the difficulty of modelling plasmas, and the latter is bottle-necked by the relative paucity of data. To address this issue, this work applies the neural ordinary differential equations (ODE) framework to the problem of predicting a subset of plasma dynamics, namely the coupled plasma current and internal inductance dynamics. As the neural ODE framework allows for the natural inclusion of physics-based inductive biases, we train both physics-based and neural network models on data from the Alcator C-Mod fusion reactor and find that a model that combines physics-based equations with a neural ODE performs better than both existing physics-motivated ODEs and a pure neural ODE model.
• Abstract（参考訳）: トカマクとして知られる核融合炉は確固たるエネルギー源として約束されているが、プラズマ制御の進歩とプラズマの制御が失われる事象の処理は経済的に必要である。 より高度な制御アルゴリズムを適用する上で重要なボトルネックは、物理ベースのアプローチとデータ駆動アプローチの両方が現在不足している、プラズマシミュレーションの改善の必要性である。 前者は計算コストとプラズマのモデル化の難しさの両方でボトルネックされ、後者は相対的なデータ粘度でボトルネックされる。 この問題に対処するため、本研究では、プラズマダイナミクスのサブセット、すなわちプラズマ電流と内部インダクタンスダイナミクスの予測問題に対して、neural ordinary differential equation(ode)フレームワークを適用する。 neural odeフレームワークは、物理学に基づく帰納バイアスを自然に含むことができるため、alcator c-mod fusion reactorからのデータに基づいて物理ベースのモデルとニューラルネットワークモデルを訓練し、物理学ベースの方程式とニューラルネットワークodeを組み合わせるモデルが、既存の物理学によるodeモデルと純粋なニューラルネットワークodeモデルの両方よりも優れた結果をもたらすことを見出します。

関連論文リスト

• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Data-driven local operator finding for reduced-order modelling of plasma systems: I. Concept and verifications [2.9320342785886973]
  低次プラズマモデルでは、様々な設定や構成で効率的にプラズマの挙動を予測することができる。 この2つの記事では、"Phi Method"を紹介します。 第1部では,候補項ライブラリに制約付き回帰を用いた新しいアルゴリズムを提案する。 パートIIは、パラメトリックダイナミクス発見のためのメソッドの応用を掘り下げる。
  論文  参考訳（メタデータ） (2024-03-03T14:50:15Z)
• 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 the dynamics of a one-dimensional plasma model with graph neural networks [0.0]
  本モデルでは, 1次元プラズマモデルの動的プラズマ力学を学習する。 本研究は, 実時間, 保存法則, キー物理量の時間的変化の観点から, 元のプラズマモデルと性能を比較した。
  論文  参考訳（メタデータ） (2023-10-26T17:58:12Z)
• MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [3.900623554490941]
  我々は、モデル統合ニューラルネットワーク(MINN)を生成するための新しいアーキテクチャを提案する。 MINNは、システムの物理に基づく力学の学習レベルとの統合を可能にする。 提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
  論文  参考訳（メタデータ） (2023-04-27T09:11:40Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Physics-based parameterized neural ordinary differential equations: prediction of laser ignition in a rocket combustor [2.227105438439618]
  モデルロケット燃焼器におけるレーザ点火の低次モデリングのための物理に基づくデータ駆動フレームワークを提案する。 深部ニューラルネットワークは、レーザー点火の高次元パラメータの関数として組み込まれ、0次元フローモデルで様々な用語を予測する。
  論文  参考訳（メタデータ） (2023-02-16T23:56:51Z)
• Data-driven modeling of Landau damping by physics-informed neural networks [4.728411962159049]
  機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。 このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。 この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
  論文  参考訳（メタデータ） (2022-11-02T10:33:38Z)
• Unsupervised Discovery of Inertial-Fusion Plasma Physics using Differentiable Kinetic Simulations and a Maximum Entropy Loss Function [77.34726150561087]
  プラズマ運動学3次元偏微分方程式の微分可能解法を作成し, 領域固有の目的関数を導入する。 我々はこの枠組みを慣性融合に関する構成に適用し、最適化プロセスが新しい物理効果を利用することを示す。
  論文  参考訳（メタデータ） (2022-06-03T15:27:33Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)

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。