論文の概要: Real-Time Applicability of Emulated Virtual Circuits for Tokamak Plasma Shape Control
- arxiv url: http://arxiv.org/abs/2509.01789v1
- Date: Mon, 01 Sep 2025 21:37:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 15:17:03.844289
- Title: Real-Time Applicability of Emulated Virtual Circuits for Tokamak Plasma Shape Control
- Title（参考訳）: トカマクプラズマ形状制御のためのエミュレート仮想回路のリアルタイム適用性
- Authors: Pedro Cavestany, Alasdair Ross, Adriano Agnello, Aran Garrod, Nicola C. Amorisco, George K. Holt, Kamran Pentland, James Buchanan,
- Abstract要約: 形状エミュレータのジャコビアンを用いて計算したVCからの目標変位の一致を定量化する。
我々は、直接リアルタイムで測定されず、通常、効果的な「整形電流」として仮定される容器電流の効果に対処する。
アクティブコイル電流測定の追従窓上で, 簡単な線形回帰により整流電流を推定できることを実証した。
- 参考スコア（独自算出の注目度）: 0.40631409309544836
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning has recently been adopted to emulate sensitivity matrices for real-time magnetic control of tokamak plasmas. However, these approaches would benefit from a quantification of possible inaccuracies. We report on two aspects of real-time applicability of emulators. First, we quantify the agreement of target displacement from VCs computed via Jacobians of the shape emulators with those from finite differences Jacobians on exact Grad-Shafranov solutions. Good agreement ($\approx$5-10%) can be achieved on a selection of geometric targets using combinations of neural network emulators with $\approx10^5$ parameters. A sample of $\approx10^{5}-10^{6}$ synthetic equilibria is essential to train emulators that are not over-regularised or overfitting. Smaller models trained on the shape targets may be further fine-tuned to better fit the Jacobians. Second, we address the effect of vessel currents that are not directly measured in real-time and are typically subsumed into effective "shaping currents" when designing virtual circuits. We demonstrate that shaping currents can be inferred via simple linear regression on a trailing window of active coil current measurements with residuals of only a few Amp\`eres, enabling a choice for the most appropriate shaping currents at any point in a shot. While these results are based on historic shot data and simulations tailored to MAST-U, they indicate that emulators with few-millisecond latency can be developed for robust real-time plasma shape control in existing and upcoming tokamaks.
- Abstract（参考訳）: 近年,トカマクプラズマのリアルタイム磁気制御のための感度行列のエミュレートに機械学習が採用されている。
しかし、これらのアプローチは不正確な可能性の定量化の恩恵を受ける。
エミュレータのリアルタイム適用性の2つの側面について報告する。
まず、形状エミュレータのヤコビアンによって計算されたVCと、正確なグラッド=シャフラノフ解上の有限差分ヤコビアンとの目標変位の一致を定量化する。
ニューラルネットワークエミュレータと$\approx10^5$パラメータの組み合わせを使って、幾何的ターゲットの選択でよい合意(5〜10%)を達成できる。
$\approx10^{5}-10^{6}$ 合成平衡のサンプルは、過剰な規則化や過度に適合しないエミュレータの訓練に不可欠である。
形状目標に基づいて訓練されたより小型のモデルはさらにジャコビアンに適合するように微調整される可能性がある。
第二に, 仮想回路の設計において, 直接的に測定されていない容器電流の影響について検討する。
数個のAmp\eres残量を持つアクティブコイル電流測定の追従窓上で、簡単な線形回帰により整形電流を推定できることを示し、ショット中の任意の時点において最も適切な整形電流の選択を可能にする。
これらの結果は,MAST-Uに合わせた歴史的ショットデータとシミュレーションに基づいているが,既存のトカマクのプラズマ形状制御のために,数ミリ秒の遅延を持つエミュレータを開発できることが示唆されている。
関連論文リスト
- DiffusionHarmonizer: Bridging Neural Reconstruction and Photorealistic Simulation with Online Diffusion Enhancer [62.18680935878919]
レンダリングを時間的に一貫した出力に変換するオンライン生成拡張フレームワークであるDiffusionHarmonizerを紹介した。
コアとなるのは、単一のGPU上でオンラインシミュレータで実行可能な、一段階の時間的条件付きエンハンサーである。
論文 参考訳（メタデータ） (2026-02-27T15:35:30Z) - Hardware-Aware Model Design and Training of Silicon-based Analog Neural Networks [33.83993649730681]
物理インフォームドハードウェア・アウェアモデルを用いてニューラルネットワークを再トレーニングすることにより、理想的なネットワークモデルの推論精度を完全に回復できることを示す。
これは、アナログニューラルネットワークの忠実性を改善するデフォルトオプションよりも、スケーラビリティと統合密度に有望である。
論文 参考訳（メタデータ） (2025-12-08T10:11:13Z) - A First Full Physics Benchmark for Highly Granular Calorimeter Surrogates [0.0]
本研究は, 実測シミュレーション応用における高粒度生成熱量サロゲートの利用について検討した。
本稿では, 生成熱量計サロゲートとリアルな検出器の組み合わせを可能にする汎用ライブラリDDMLを紹介する。
1つは正規グリッド表現で動作するもので、もう1つはあまり一般的でないポイントクラウドアプローチを用いている。
論文 参考訳（メタデータ） (2025-11-21T15:06:49Z) - Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。
本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。
受け入れ次第、モデルとデータの両方をリリースすることを約束します。
論文 参考訳（メタデータ） (2025-05-25T01:27:18Z) - FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。
非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。
条件設定では、太陽予測において優れた性能を達成している。
論文 参考訳（メタデータ） (2024-11-12T03:03:23Z) - COmoving Computer Acceleration (COCA): $N$-body simulations in an emulated frame of reference [0.0]
我々は,ハイブリッドフレームワークであるComoving Computer Acceleration (COCA)を紹介した。
正確な運動方程式は、基準のエミュレートされたフレームで解き、任意のエミュレーション誤差を設計によって補正する。
COCAは、粒子軌道におけるエミュレーション誤差を効率的に低減し、MLなしで対応するシミュレーションを実行するよりもはるかに少ない力評価を必要とする。
論文 参考訳（メタデータ） (2024-09-03T17:27:12Z) - NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。
我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。
NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
論文 参考訳（メタデータ） (2024-06-21T17:59:02Z) - Fast Dynamic 1D Simulation of Divertor Plasmas with Neural PDE
Surrogates [3.6443770850509423]
ダイバータプラズマの管理は、ダイバータターゲットの熱と粒子フラックスの制約により、原子炉スケールトカマク装置の動作に不可欠である。
我々は、古典的数値法で生成した解を用いて訓練された、データ駆動型ニューラルネットワークに基づくサロゲートモデルである、ニューラルPDEサロゲートを用いた高速シミュレータの欠如に対処する。
我々は,上流密度ランプによって誘導されるダイナミックスで現実的なTCVダイバータプラズマをシミュレートし,高速な過渡現象への探索的展望を提供する。
論文 参考訳（メタデータ） (2023-05-30T11:20:14Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳（メタデータ） (2023-05-01T23:20:27Z) - Active Learning for Computationally Efficient Distribution of Binary
Evolution Simulations [0.19359975080269876]
我々は,データ収集プロセスにおける機械学習を用いて,対象とするシミュレーションを適応的かつ反復的に選択する,新しい能動的学習アルゴリズムであるpsy-crisを提案する。
おもちゃの問題に対してpsy-crisを試験し、その結果のトレーニングセットが正規またはランダムにサンプリングされたグリッドよりも正確な分類と回帰のシミュレーションを少なくする必要があることを発見した。
論文 参考訳（メタデータ） (2022-03-30T21:36:32Z) - DiSECt: A Differentiable Simulator for Parameter Inference and Control
in Robotic Cutting [71.50844437057555]
軟質材料を切断するための最初の微分可能シミュレータであるDiSECtについて述べる。
シミュレータは、符号付き距離場に基づく連続接触モデルにより有限要素法を増強する。
このシミュレータは, 最先端の商用解法を用いて, 結果の力やフィールドに適合するようにキャリブレーションできることを示す。
論文 参考訳（メタデータ） (2022-03-19T07:27:19Z)
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。