論文の概要: A Surrogate model for High Temperature Superconducting Magnets to Predict Current Distribution with Neural Network

• arxiv url: http://arxiv.org/abs/2509.06067v1
• Date: Sun, 07 Sep 2025 14:13:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.842973
• Title: A Surrogate model for High Temperature Superconducting Magnets to Predict Current Distribution with Neural Network
• Title（参考訳）: ニューラルネットワークによる高温超電導磁石の電流分布予測のためのサロゲートモデル
• Authors: Mianjun Xiao, Peng Song, Yulong Liu, Cedric Korte, Ziyang Xu, Jiale Gao, Jiaqi Lu, Haoyang Nie, Qiantong Deng, Timing Qu,
• Abstract要約: 完全連結残留ニューラルネットワーク(FCRN)に基づく代理モデルを構築し,REBCOソロノイドの時空電流密度分布を予測する。 このモデルでは、トレーニング範囲を超えて最大50%の磁化損失を確実に予測することができ、最大10%未満のエラーを発生させることができる。
• 参考スコア（独自算出の注目度）: 5.2783784579815185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finite element method (FEM) is widely used in high-temperature superconducting (HTS) magnets, but its computational cost increases with magnet size and becomes time-consuming for meter-scale magnets, especially when multi-physics couplings are considered, which limits the fast design of large-scale REBCO magnet systems. In this work, a surrogate model based on a fully connected residual neural network (FCRN) is developed to predict the space-time current density distribution in REBCO solenoids. Training datasets were generated from FEM simulations with varying numbers of turns and pancakes. The results demonstrate that, for deeper networks, the FCRN architecture achieves better convergence than conventional fully connected network (FCN), with the configuration of 12 residual blocks and 256 neurons per layer providing the most favorable balance between training accuracy and generalization capability. Extrapolation studies show that the model can reliably predict magnetization losses for up to 50% beyond the training range, with maximum errors below 10%. The surrogate model achieves predictions several orders of magnitude faster than FEM and still remains advantageous when training costs are included. These results indicate that the proposed FCRN-based surrogate model provides both accuracy and efficiency, offering a promising tool for the rapid analysis of large-scale HTS magnets.
• Abstract（参考訳）: 高温超伝導(HTS)マグネットでは有限要素法(FEM)が広く用いられているが、その計算コストはマグネットサイズとともに増加し、特に大規模REBCOマグネットシステムの高速設計を制限したマルチ物理結合を考慮した場合、メートルスケールマグネットでは時間を要する。 本研究では,REBCOソレノイドの時空間電流密度分布を予測するために,完全連結残留ニューラルネットワーク(FCRN)に基づく代理モデルを開発した。 トレーニングデータセットは、様々なターン数とパンケーキを持つFEMシミュレーションから生成される。 その結果、より深いネットワークでは、FCRNアーキテクチャは従来の完全連結ネットワーク(FCN)よりもよく収束し、1層あたり12個の残留ブロックと256個のニューロンが構成され、トレーニング精度と一般化能力のバランスが最も良好であることを示した。 外挿実験により、このモデルはトレーニング範囲を超えて最大50%の磁化損失を確実に予測でき、最大10%未満の誤差を持つことが示された。 代理モデルでは、FEMよりも数桁高速な予測が達成され、トレーニングコストを含む場合、依然として有利である。 これらの結果から,提案したFCRNをベースとしたサロゲートモデルが精度と効率を両立し,大規模HTSマグネットの高速解析のための有望なツールとなることが示唆された。

関連論文リスト

• DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [56.04579258267126]
  本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。 リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。 ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
  論文  参考訳（メタデータ） (2025-07-03T17:35:06Z)
• Resolving Turbulent Magnetohydrodynamics: A Hybrid Operator-Diffusion Framework [0.2999888908665658]
  ハイブリッド機械学習フレームワークは、100, 250, 500, 750, 1000, 3000, 10000$で$mathrmReで高忠実度シミュレーションの包括的なアンサンブルに基づいてトレーニングされている。 極度の乱流レベルでは、磁場の高波数進化を回復できる最初のサロゲートのままである。
  論文  参考訳（メタデータ） (2025-07-02T19:33:57Z)
• A Surrogate Model for the Forward Design of Multi-layered Metasurface-based Radar Absorbing Structures [3.328784252410173]
  本稿では,多層準曲面RASの電磁(EM)応答の予測を著しく高速化する代理モデルを提案する。 提案したモデルは、99.9%のコサイン類似性を達成し、平均2乗誤差は1000エポック内の0.001である。
  論文  参考訳（メタデータ） (2025-05-14T09:54:00Z)
• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• EFKAN: A KAN-Integrated Neural Operator For Efficient Magnetotelluric Forward Modeling [5.564398767957128]
  我々はコルモゴロフ・アルノルドネットワーク(EFKAN)を用いた新しいニューラル演算子(FNO)を提案する。 EFKANフレームワーク内では、FNOは周波数領域の比抵抗モデルから見かけの比抵抗と位相を計算する分岐ネットワークとして機能する。 提案手法は, 所望の周波数と位置でインバージョンを施したNOと比較して, 比抵抗と位相を求める際の精度が高い。
  論文  参考訳（メタデータ） (2025-02-04T10:21:14Z)
• NeuralMAG: Fast and Generalizable Micromagnetic Simulation with Deep Neural Nets [9.674100498903844]
  我々は,マイクロ磁気シミュレーションの深層学習手法であるNeuralMAGを紹介する。 我々のアプローチは、LLG反復フレームワークに従うが、U字型ニューラルネットワーク(Unet)の利用により磁場の非磁性化を加速する。 既存のニューラルネットワークとは異なり、NeuralMAGは特定のタスクに対するエンドツーエンドの近似ではなく、コア計算に集中しており、本質的に一般化可能である。
  論文  参考訳（メタデータ） (2024-10-19T05:25:08Z)
• Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 計算時間と空間複雑度はそれぞれ、列長に関して立方体と二次体から線形へと減少する。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)

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。