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

• Neural Message Passing Induced by Energy-Constrained Diffusion [79.9193447649011]
  本稿では,MPNNのメカニズムを理解するための原理的解釈可能なフレームワークとして,エネルギー制約付き拡散モデルを提案する。 データ構造が(グラフとして)観察されたり、部分的に観察されたり、完全に観察されなかったりした場合に、新しいモデルが有望な性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Application of Neural Ordinary Differential Equations for ITER Burning Plasma Dynamics [0.0]
  トカマクの燃焼プラズマのダイナミクスは、制御熱核融合の進行に不可欠である。 本研究では, ITER重水素トリチウム(D-T)プラズマ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NeuralPlasmaODEを導入する。
  論文  参考訳（メタデータ） (2024-08-26T16:47:20Z)
• NeuralODEs for VLEO simulations: Introducing thermoNET for Thermosphere Modeling [4.868863044142366]
  サーモネットは、衛星軌道伝播における熱圏密度を表す。 ネットワークパラメータは観測されたダイナミクスに基づいて学習され、ODEの感度によって適応する。
  論文  参考訳（メタデータ） (2024-05-29T09:12:44Z)
• Deep generative modelling of canonical ensemble with differentiable thermal properties [0.9421843976231371]
  標準アンサンブルの温度の異なる変分モデルを提案する。 深部生成モデルを用いて、連続した温度範囲で自由エネルギーを推定し、同時に最小化する。 トレーニングプロセスはデータセットを必要とせず、任意の明示的な密度生成モデルで動作する。
  論文  参考訳（メタデータ） (2024-04-29T03:41:49Z)
• FTL: Transfer Learning Nonlinear Plasma Dynamic Transitions in Low Dimensional Embeddings via Deep Neural Networks [0.66679021407228]
  深層学習アルゴリズムは、核融合プラズマシステムのような高次元の動的挙動を研究するための新しいパラダイムを提供する。 プラズマ物理による異常モードの検出と組み合わせた新しいモデル縮小法の開発は、効率的なモデルを構築するためのユニークな機会を開く。 我々のFusion Transfer Learningモデルは非線形キンクモード構造の再構築に成功している。
  論文  参考訳（メタデータ） (2024-04-26T15:08:57Z)
• 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)
• 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。