論文の概要: Artificial Intelligence in Reactor Physics: Current Status and Future Prospects

• arxiv url: http://arxiv.org/abs/2503.02440v1
• Date: Tue, 04 Mar 2025 09:36:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:16:19.867301
• Title: Artificial Intelligence in Reactor Physics: Current Status and Future Prospects
• Title（参考訳）: 原子炉物理における人工知能の現状と将来展望
• Authors: Ruizhi Zhang, Shengfeng Zhu, Kan Wang, Ding She, Jean-Philippe Argaud, Bertrand Bouriquet, Qing Li, Helin Gong,
• Abstract要約: 原子炉物理学は中性子物性の研究であり、中性子と原子炉の物質間の相互作用をモデルで調べることに焦点を当てている。 人工知能(AI)は、例えば運転シミュレーション、安全設計、リアルタイム監視、コア管理、保守において、原子炉物理学に多大な貢献をしている。
• 参考スコア（独自算出の注目度）: 28.708205150779563
• License:
• Abstract: Reactor physics is the study of neutron properties, focusing on using models to examine the interactions between neutrons and materials in nuclear reactors. Artificial intelligence (AI) has made significant contributions to reactor physics, e.g., in operational simulations, safety design, real-time monitoring, core management and maintenance. This paper presents a comprehensive review of AI approaches in reactor physics, especially considering the category of Machine Learning (ML), with the aim of describing the application scenarios, frontier topics, unsolved challenges and future research directions. From equation solving and state parameter prediction to nuclear industry applications, this paper provides a step-by-step overview of ML methods applied to steady-state, transient and combustion problems. Most literature works achieve industry-demanded models by enhancing the efficiency of deterministic methods or correcting uncertainty methods, which leads to successful applications. However, research on ML methods in reactor physics is somewhat fragmented, and the ability to generalize models needs to be strengthened. Progress is still possible, especially in addressing theoretical challenges and enhancing industrial applications such as building surrogate models and digital twins.
• Abstract（参考訳）: 原子炉物理学は中性子物性の研究であり、中性子と原子炉の物質間の相互作用をモデルで調べることに焦点を当てている。 人工知能(AI)は、原子炉物理学、例えば、運転シミュレーション、安全設計、リアルタイム監視、コア管理、保守に多大な貢献をしている。 本稿では、特に機械学習(ML)のカテゴリを考慮し、応用シナリオ、フロンティアトピック、未解決課題、今後の研究方向性を説明することを目的とした、原子炉物理学におけるAIアプローチの包括的なレビューを行う。 本稿では, 方程式解法と状態パラメータ予測から原子力産業への応用に至るまで, 定常, 過渡, 燃焼問題に適用されるML法の概要を段階的に示す。 ほとんどの文献は、決定論的手法の効率を高め、不確実性を補正することで、業界で要求されるモデルを達成する。 しかし、原子炉物理学におけるML手法の研究は断片的であり、モデルを一般化する能力を強化する必要がある。 特に理論上の課題に対処し、サロゲートモデルやデジタルツインの構築といった産業応用の強化において、進歩は依然として可能である。

関連論文リスト

• Can Kans (re)discover predictive models for Direct-Drive Laser Fusion? [11.261403205522694]
  レーザー融合の領域は、機械学習手法のためのユニークで挑戦的な予測モデリングアプリケーションランドスケープを示す。 データ駆動型アプローチは、物理学の期待に沿う望ましい一般化能力とモデル解釈を達成するために、過去に成功してきた。 本研究では,新しいタイプのデータ駆動予測モデルの開発において,PILの代替としてKAN(Kolmogorov-Arnold Networks)を用いた。
  論文  参考訳（メタデータ） (2024-09-13T13:48:06Z)
• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• Towards Foundation Model for Chemical Reactor Modeling: Meta-Learning with Physics-Informed Adaptation [14.835081385422653]
  本稿では, 化学反応器モデリングにおける基礎モデルの新たな応用について述べる。 我々のモデルは3つの古典的な原子炉タイプにまたがって一般化するように設計されている。 これは、異なる反応器のセットアップにまたがる様々な整数の順序で、目に見えない反応に迅速に適応することを示している。
  論文  参考訳（メタデータ） (2024-05-20T03:26:58Z)
• Deep Generative Models for Detector Signature Simulation: A Taxonomic Review [0.0]
  粒子物理学検出器からの信号は衝突の物理を符号化する低レベル物体(エネルギー沈降や軌道など)である。 検出器におけるそれらの完全なシミュレーションは、計算と記憶集約的なタスクである。 我々は,検出器シグネチャのシミュレーションについて,既存の文献の包括的かつ徹底的な分類学的レビューを行う。
  論文  参考訳（メタデータ） (2023-12-15T08:27:39Z)
• Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [57.70772230913099]
  Chemist-Xは、検索増強生成(RAG)技術を用いた化学合成において、反応条件レコメンデーション(RCR)タスクを自動化する。 Chemist-Xはオンラインの分子データベースを尋問し、最新の文献データベースから重要なデータを蒸留する。 Chemist-Xは化学者の作業量を大幅に減らし、より根本的で創造的な問題に集中できるようにする。
  論文  参考訳（メタデータ） (2023-11-16T01:21:33Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Deep Neural Operator Driven Real Time Inference for Nuclear Systems to Enable Digital Twin Solutions [0.5115559623386964]
  本研究では,難解な粒子輸送問題の解法におけるDeepONetの一般化性と計算効率について述べる。 DeepONetはまた、従来のMLメソッドよりも優れた予測精度とスピードを示している。 全体として、DeepONetは有望で変革的な核工学の研究と応用ツールである。
  論文  参考訳（メタデータ） (2023-08-15T01:25:35Z)
• Machine Learning and Artificial Intelligence-Driven Multi-Scale Modeling for High Burnup Accident-Tolerant Fuels for Light Water-Based SMR Applications [0.3745741215827112]
  小型モジュール型原子炉の概念は、将来のエネルギー危機に対処するための展望を変えた。 この研究は、小さなモジュール型原子炉の設計最適化、制御、監視における機械学習と人工知能の適用に焦点を当てている。
  論文  参考訳（メタデータ） (2022-09-25T04:41:12Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
  モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。 特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)

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。