論文の概要: Application of Neural Ordinary Differential Equations for Tokamak Plasma
Dynamics Analysis
- arxiv url: http://arxiv.org/abs/2403.01635v1
- Date: Sun, 3 Mar 2024 22:55:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 20:38:51.403809
- Title: Application of Neural Ordinary Differential Equations for Tokamak Plasma
Dynamics Analysis
- Title(参考訳): トカマクプラズマダイナミクス解析へのニューラル正規微分方程式の適用
- Authors: Zefang Liu, Weston M. Stacey
- Abstract要約: 本研究ではニューラル正規微分方程式(ニューラルODE)を用いたマルチリージョンマルチタイムトランスポートモデルを提案する。
本手法は,DIII-D からカマク実験データへの拡散係数の数値的導出にニューラルネットワークを利用する。
これらの領域は異なるノードとして概念化され、効率的なトカマク操作に必要な放射線および輸送過程の重要な時間スケールを捉えている。
- 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: In the quest for controlled thermonuclear fusion, tokamaks present complex
challenges in understanding burning plasma dynamics. This study introduces a
multi-region multi-timescale transport model, employing Neural Ordinary
Differential Equations (Neural ODEs) to simulate the intricate energy transfer
processes within tokamaks. Our methodology leverages Neural ODEs for the
numerical derivation of diffusivity parameters from DIII-D tokamak experimental
data, enabling the precise modeling of energy interactions between electrons
and ions across various regions, including the core, edge, and scrape-off
layer. These regions are conceptualized as distinct nodes, capturing the
critical timescales of radiation and transport processes essential for
efficient tokamak operation. Validation against DIII-D plasmas under various
auxiliary heating conditions demonstrates the model's effectiveness, ultimately
shedding light on ways to enhance tokamak performance with deep learning.
- Abstract(参考訳): 制御熱核融合の探求において、トカマクはプラズマ力学の燃焼を理解するための複雑な課題を提示する。
本研究では,トカマク内の複雑なエネルギー伝達過程をシミュレートするためにニューラル正規微分方程式(Neural ODE)を用いたマルチリージョンのマルチスケール輸送モデルを提案する。
提案手法は,DIII-Dトカマク実験データから拡散係数の数値的導出にニューラルODEを応用し,コア,エッジ,スクラップオフ層を含む各領域における電子とイオン間のエネルギー相互作用の精密なモデリングを可能にする。
これらの領域は異なるノードとして概念化され、効率的なトカマク操作に必要な放射線および輸送過程の重要な時間スケールを捉えている。
種々の補助加熱条件下でのDIII-Dプラズマに対するバリデーションはモデルの有効性を示し、最終的にディープラーニングによるトカマク性能の向上に光を当てる。
関連論文リスト
- 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) - A Predictive Surrogate Model for Heat Transfer of an Impinging Jet on a
Concave Surface [0.0]
本稿では, 円錐面に衝突するパルス噴流の伝熱予測におけるモデル次数削減(MOR)と深層学習の有効性について検討する。
そこで本研究では,Fast Fourier Transformation augmented Artificial Neural Network (FFT-ANN) を用いて,定周波シナリオ下での平均ヌッセルト数を予測する。
POD-LSTM法は, 時間モードの傾向と値の両方を捉えることにより, ランダム周波数インピーダンスシナリオ下での局所熱伝達率を予測するための堅牢な解であることが証明された。
論文 参考訳(メタデータ) (2024-02-16T12:41:31Z) - Towards Detailed Text-to-Motion Synthesis via Basic-to-Advanced
Hierarchical Diffusion Model [60.27825196999742]
本稿では,B2A-HDMと呼ばれる新しい階層型拡散モデルを提案する。
特に、低次元ラテント空間における基本拡散モデルは、テキスト記述と整合した中間偏微分結果を与える。
高次元ラテント空間における高度な拡散モデルは、以下の詳細エンハンス・デノナイジング過程に焦点をあてる。
論文 参考訳(メタデータ) (2023-12-18T06:30:39Z) - Hybridizing Physics and Neural ODEs for Predicting Plasma Inductance
Dynamics in Tokamak Fusion Reactors [0.0]
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。
論文 参考訳(メタデータ) (2023-10-30T23:25:54Z) - A Geometric Perspective on Diffusion Models [60.69328526215776]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングを検証し,そのサンプリングダイナミクスの興味深い構造を明らかにした。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳(メタデータ) (2023-05-31T15:33:16Z) - Theoretical Analysis of Exciton Wave Packet Dynamics in Polaritonic
Wires [0.0]
本稿では、不規則極性ワイヤにおけるエキシトン波パケットの進化に関する包括的研究を行う。
本シミュレーションでは, 強い光物質結合下での弾道的, 拡散的, サブ拡散的励起子のダイナミクスのシグネチャを明らかにする。
本稿では,理論モデル開発における研究の意義について論じる。
論文 参考訳(メタデータ) (2023-04-22T17:25:58Z) - Modiff: Action-Conditioned 3D Motion Generation with Denoising Diffusion
Probabilistic Models [58.357180353368896]
本稿では,現実的で多様な3D骨格に基づく運動生成問題に対処するために,拡散確率モデル(DDPM)の利点を生かした条件付きパラダイムを提案する。
我々はDDPMを用いてカテゴリ的動作で条件付けられた動作列の可変数を合成する先駆的な試みである。
論文 参考訳(メタデータ) (2023-01-10T13:15:42Z) - 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) - Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。
提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
論文 参考訳(メタデータ) (2022-03-31T12:52:25Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z)
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。