論文の概要: Application of Neural Ordinary Differential Equations for ITER Burning Plasma Dynamics

• arxiv url: http://arxiv.org/abs/2408.14404v1
• Date: Mon, 26 Aug 2024 16:47:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 13:21:54.076662
• Title: Application of Neural Ordinary Differential Equations for ITER Burning Plasma Dynamics
• Title（参考訳）: ニューラル正規微分方程式のITER燃焼プラズマダイナミクスへの応用
• Authors: Zefang Liu, Weston M. Stacey,
• Abstract要約: 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。
• 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: The dynamics of burning plasmas in tokamaks are crucial for advancing controlled thermonuclear fusion. This study introduces the NeuralPlasmaODE, a multi-region multi-timescale transport model to simulate the complex energy transfer processes in ITER deuterium-tritium (D-T) plasmas. Our model captures the interactions between energetic alpha particles, electrons, and ions, which are vital for understanding phenomena such as thermal runaway instability. We employ neural ordinary differential equations (Neural ODEs) for the numerical derivation of diffusivity parameters, enabling precise modeling of energy interactions between different plasma regions. By leveraging transfer learning, we utilize model parameters derived from DIII-D experimental data, enhancing the efficiency and accuracy of our simulations without training from scratch. Applying this model to ITER's inductive and non-inductive operational scenarios, our results demonstrate that radiation and transport processes effectively remove excess heat from the core plasma, preventing thermal runaway instability. This study underscores the potential of machine learning in advancing our understanding and control of burning plasma dynamics in fusion reactors.
• Abstract（参考訳）: 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。 In this study introduced the NeuralPlasmaODE, a multi-rea multi-timescale transport model tosimulated the complex energy transfer process in ITER deuterium-tritium (D-T) plasmas。 我々のモデルでは、熱流出不安定性のような現象を理解するのに欠かせない、エネルギー的なアルファ粒子、電子、イオン間の相互作用を捉えている。 拡散係数の数値導出にはニューラル常微分方程式(Neural ODE)を用い,異なるプラズマ領域間のエネルギー相互作用を正確にモデル化する。 DIII-D実験データから得られたモデルパラメータを応用し、スクラッチからトレーニングすることなくシミュレーションの効率と精度を向上させる。 このモデルをITERの誘導的かつ非誘導的運用シナリオに適用することにより、放射・輸送プロセスがコアプラズマからの余剰熱を効果的に除去し、熱流出不安定を防止していることを示す。 本研究は,核融合炉における燃焼プラズマ力学の理解と制御を促進するための機械学習の可能性を明らかにするものである。

関連論文リスト

• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• 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 Tokamak Plasma Dynamics Analysis [0.0]
  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。
  論文  参考訳（メタデータ） (2024-03-03T22:55:39Z)
• Thermal transport through a single trapped ion under strong laser illumination [0.0]
  我々は、レーザー励起により駆動され、異なる温度で作動する熱貯水池と結合した1つの閉じ込められたイオン中の量子熱輸送について研究した。 また, 熱流中における負の差分熱伝導率や非対称性などの現象も明らかにした。
  論文  参考訳（メタデータ） (2024-02-06T12:09:34Z)
• 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)
• 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)
• 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)
• 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)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。