論文の概要: ConStellaration: A dataset of QI-like stellarator plasma boundaries and optimization benchmarks

• arxiv url: http://arxiv.org/abs/2506.19583v1
• Date: Tue, 24 Jun 2025 12:49:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.628737
• Title: ConStellaration: A dataset of QI-like stellarator plasma boundaries and optimization benchmarks
• Title（参考訳）: ConStellaration: QIライクなステラレータプラズマ境界と最適化ベンチマークのデータセット
• Authors: Santiago A. Cadena, Andrea Merlo, Emanuel Laude, Alexander Bauer, Atul Agrawal, Maria Pascu, Marija Savtchouk, Enrico Guiraud, Lukas Bonauer, Stuart Hudson, Markus Kaiser,
• Abstract要約: 種々のQI様ステラレータプラズマ境界形状と理想的な磁気流体力学(MHD)平衡のオープンデータセットを公表した。 すべてのベンチマークに対して、古典的な最適化手法に基づいた参照コード、評価スクリプト、強力なベースラインを提供します。 データセットでトレーニングされた学習モデルが、新しく実現可能な構成を効率的に生成する方法を示します。
• 参考スコア（独自算出の注目度）: 34.506008976341185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stellarators are magnetic confinement devices under active development to deliver steady-state carbon-free fusion energy. Their design involves a high-dimensional, constrained optimization problem that requires expensive physics simulations and significant domain expertise. Recent advances in plasma physics and open-source tools have made stellarator optimization more accessible. However, broader community progress is currently bottlenecked by the lack of standardized optimization problems with strong baselines and datasets that enable data-driven approaches, particularly for quasi-isodynamic (QI) stellarator configurations, considered as a promising path to commercial fusion due to their inherent resilience to current-driven disruptions. Here, we release an open dataset of diverse QI-like stellarator plasma boundary shapes, paired with their ideal magnetohydrodynamic (MHD) equilibria and performance metrics. We generated this dataset by sampling a variety of QI fields and optimizing corresponding stellarator plasma boundaries. We introduce three optimization benchmarks of increasing complexity: (1) a single-objective geometric optimization problem, (2) a "simple-to-build" QI stellarator, and (3) a multi-objective ideal-MHD stable QI stellarator that investigates trade-offs between compactness and coil simplicity. For every benchmark, we provide reference code, evaluation scripts, and strong baselines based on classical optimization techniques. Finally, we show how learned models trained on our dataset can efficiently generate novel, feasible configurations without querying expensive physics oracles. By openly releasing the dataset along with benchmark problems and baselines, we aim to lower the entry barrier for optimization and machine learning researchers to engage in stellarator design and to accelerate cross-disciplinary progress toward bringing fusion energy to the grid.
• Abstract（参考訳）: ステラレータは、安定した炭素フリー核融合エネルギーを供給するために活発な開発中の磁気閉じ込め装置である。 それらの設計には、高価な物理シミュレーションと重要なドメインの専門知識を必要とする高次元の制約付き最適化問題が含まれる。 プラズマ物理学とオープンソースツールの最近の進歩により、ステラレータ最適化はよりアクセスしやすくなっている。 しかし、現在、より広範なコミュニティの進展は、強力なベースラインとデータセットを備えた標準化された最適化問題が欠如していることに悩まされている。 ここでは,QI型ステラレータプラズマ境界形状のオープンデータセットを公開し,それらの理想的な磁気流体力学(MHD)平衡と性能測定値とを組み合わせた。 我々は、様々なQIフィールドをサンプリングし、対応するステラレータプラズマ境界を最適化することにより、このデータセットを生成した。 本稿では,(1)単目的幾何最適化問題,(2)「簡単な構築」QIステラレータ,(3)コンパクト性とコイル単純性のトレードオフを研究する多目的イデアル-MHD安定QIステラレータの3つの最適化ベンチマークを紹介する。 すべてのベンチマークに対して、古典的な最適化手法に基づいた参照コード、評価スクリプト、強力なベースラインを提供します。 最後に、我々のデータセットでトレーニングされた学習モデルが、高価な物理オラクルを問うことなく、新しく実現可能な構成を効率的に生成する方法を示す。 ベンチマーク問題やベースラインとともにデータセットをオープンにリリースすることで、最適化のためのエントリーバリアを低くし、機械学習研究者がステラレータ設計に従事し、グリッドに融合エネルギーをもたらすための学際的な進歩を加速することを目指している。

関連論文リスト

• Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
  オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。 モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。 科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
  論文  参考訳（メタデータ） (2025-03-21T16:35:02Z)
• STAR: Synthesis of Tailored Architectures [61.080157488857516]
  本稿では, 適合型アーキテクチャ (STAR) の新規な合成手法を提案する。 提案手法は線形入力可変系の理論に基づく新しい探索空間を結合し,階層的な数値エンコーディングをアーキテクチャゲノムに支持する。STARゲノムは,複数のモデル品質と効率の指標に最適化するために,勾配のない進化的アルゴリズムで自動的に精製・組換えされる。 STARを用いて、多種多様な計算単位と相互接続パターンを活用し、品質、パラメータサイズ、および自動回帰言語モデリングのための推論キャッシュのフロンティアにおける高度に最適化されたトランスフォーマーとストライプハイブリッドモデルを改善する。
  論文  参考訳（メタデータ） (2024-11-26T18:42:42Z)
• Harnessing the Power of Gradient-Based Simulations for Multi-Objective Optimization in Particle Accelerators [5.565261874218803]
  本稿では, 粒子加速器の深部微分可能強化学習アルゴリズムを用いてMOO問題の解法における微分可能性の効果を示す。 基礎となる問題は、個々の状態と行動の両方に厳密な制約を課し、ビームのエネルギー要求に対する累積的(グローバル)制約を課している。
  論文  参考訳（メタデータ） (2024-11-07T15:55:05Z)
• Efficient Materials Informatics between Rockets and Electrons [0.0]
  この論文は、超高温耐火高エントロピー合金(RHEA)を組み込んだ機能性グレード材料(FGM)の設計に焦点を当てている。 原子レベルでは、MPDDと呼ばれる450万以上の緩和された構造から機械学習(ML)に最適化されたデータエコシステムが、実験的な観察を知らせ、熱力学モデルを改善するために使用される。 結果として生じるマルチレベル発見インフラストラクチャは、既存のソリューションを探すのではなく、問題のエンコーディングに重点を置いているため、非常に一般化可能である。
  論文  参考訳（メタデータ） (2024-07-05T17:03:26Z)
• QDsim: A user-friendly toolbox for simulating large-scale quantum dot devices [0.0]
  QDsimは、大規模量子ドットデバイスにおける電荷安定性図の急速な生成に適したピソンパッケージである。 自動チューニングアルゴリズムのための機械学習モデルのトレーニングの基盤となる大規模なデータセットを、QDsimによってどのように生成できるかを示す。
  論文  参考訳（メタデータ） (2024-04-03T13:10:05Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Latent Conservative Objective Models for Data-Driven Crystal Structure Prediction [62.36797874900395]
  計算化学において、結晶構造予測は最適化問題である。 この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。 我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
  論文  参考訳（メタデータ） (2023-10-16T04:35:44Z)
• 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。

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。