Fugu-MT 論文翻訳(概要): Design Optimization of Nuclear Fusion Reactor through Deep Reinforcement Learning

論文の概要: Design Optimization of Nuclear Fusion Reactor through Deep Reinforcement Learning

arxiv url: http://arxiv.org/abs/2409.08231v1
Date: Thu, 12 Sep 2024 17:23:01 GMT
ステータス: 処理完了
システム内更新日: 2024-09-13 15:35:07.489375
Title: Design Optimization of Nuclear Fusion Reactor through Deep Reinforcement Learning
Title（参考訳）: 深部強化学習による核融合炉の設計最適化
Authors: Jinsu Kim, Jaemin Seo,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 4.297070083645049
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This research explores the application of Deep Reinforcement Learning (DRL) to optimize the design of a nuclear fusion reactor. DRL can efficiently address the challenging issues attributed to multiple physics and engineering constraints for steady-state operation. The fusion reactor design computation and the optimization code applicable to parallelization with DRL are developed. The proposed framework enables finding the optimal reactor design that satisfies the operational requirements while reducing building costs. Multi-objective design optimization for a fusion reactor is now simplified by DRL, indicating the high potential of the proposed framework for advancing the efficient and sustainable design of future reactors.
Abstract（参考訳）: 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(DRL)の適用について検討する。 DRLは、定常動作に対する複数の物理および工学的制約に起因する問題に効果的に対処することができる。 DRLによる並列化に適用可能な核融合炉設計計算と最適化コードを開発した。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。核融合炉の多目的設計の最適化はDRLにより単純化され、将来の原子炉の効率的かつ持続可能な設計を進めるための枠組みの可能性が示唆された。

関連論文リスト

Reactor Optimization Benchmark by Reinforcement Learning [0.24374097382908472]
本稿では,強化学習に特化して設計されたOpenNeoMCフレームワークのベンチマーク問題を紹介する。テストケースは、異なる物理状態を表す、異なる局所的な最適性を備えており、アルゴリズムの学習に挑戦している。厳密な制約で複雑な最適化景観をナビゲートする際の強化学習の有効性を実証する。
論文参考訳（メタデータ） (2024-03-21T10:26:47Z)
Scalable Volt-VAR Optimization using RLlib-IMPALA Framework: A Reinforcement Learning Approach [11.11570399751075]
本研究は, 深層強化学習(DRL)の可能性を活用した新しい枠組みを提案する。 DRLエージェントをRAYプラットフォームに統合することにより、RAYのリソースを効率的に利用してシステム適応性と制御を改善する新しいフレームワークであるRLlib-IMPALAの開発が容易になる。
論文参考訳（メタデータ） (2024-02-24T23:25:35Z)
Rethinking Decision Transformer via Hierarchical Reinforcement Learning [54.3596066989024]
決定変換器(Decision Transformer, DT)は、強化学習(RL)における変換器アーキテクチャの最近の進歩を活用する革新的なアルゴリズムである。本稿では,階層RLのレンズを用いたシーケンシャル意思決定のための汎用シーケンスモデリングフレームワークを提案する。 DTは、高レベルかつ低レベルなポリシーを選択することで、このフレームワークの特別なケースとして現れ、これらの選択の潜在的な失敗について議論する。
論文参考訳（メタデータ） (2023-11-01T03:32:13Z)
Hybrid Reinforcement Learning for Optimizing Pump Sustainability in Real-World Water Distribution Networks [55.591662978280894]
本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
論文参考訳（メタデータ） (2023-10-13T21:26:16Z)
Shaping of Magnetic Field Coils in Fusion Reactors using Bayesian Optimisation [0.0]
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。
論文参考訳（メタデータ） (2023-10-02T10:47:00Z)
RLLTE: Long-Term Evolution Project of Reinforcement Learning [48.181733263496746]
本稿では,RLLTEについて紹介する。RLLTEは長期的進化であり,高度にモジュール化された,強化学習研究と応用のためのオープンソースフレームワークである。トップノーチアルゴリズムの実装を提供するだけでなく、RLLTEはアルゴリズム開発のためのツールキットとしても機能する。 RLLTEは、RLエンジニアリングの基準を設定し、産業や学界に高い刺激を与えると期待されている。
論文参考訳（メタデータ） (2023-09-28T12:30:37Z)
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)
On Transforming Reinforcement Learning by Transformer: The Development Trajectory [97.79247023389445]
Transformerは元々自然言語処理用に開発されたもので、コンピュータビジョンでも大きな成功を収めている。既存の開発をアーキテクチャ拡張と軌道最適化の2つのカテゴリに分類する。ロボット操作,テキストベースのゲーム,ナビゲーション,自律運転におけるTRLの主な応用について検討する。
論文参考訳（メタデータ） (2022-12-29T03:15:59Z)
A Hybrid Data-Driven Multi-Stage Deep Learning Framework for Enhanced Nuclear Reactor Power Prediction [0.4166512373146748]
本稿では,リアクトル過渡期の最終定常電力を予測するための,新しい多段階深層学習フレームワークを提案する。我々は、分類段階と回帰段階の両方のフィードフォワードニューラルネットワークを使用し、リアクトルパワーの実環境計測と制御状態を統合したユニークなデータセットをトレーニングする。ノイズを伴うシミュレーションデータの取り込みにより、モデルの一般化能力が大幅に向上し、オーバーフィッティングのリスクが軽減される。
論文参考訳（メタデータ） (2022-11-23T17:32:52Z)
Towards Deployment-Efficient Reinforcement Learning: Lower Bound and Optimality [141.89413461337324]
展開効率は、強化学習(RL)の多くの実世界の応用にとって重要な基準である本稿では,「制約付き最適化」の観点から,デプロイ効率の高いRL(DE-RL)の理論的定式化を提案する。
論文参考訳（メタデータ） (2022-02-14T01:31:46Z)
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)

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。