論文の概要: Reinforcement learning-guided optimization of critical current in high-temperature superconductors

• arxiv url: http://arxiv.org/abs/2510.22424v1
• Date: Sat, 25 Oct 2025 20:01:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.195208
• Title: Reinforcement learning-guided optimization of critical current in high-temperature superconductors
• Title（参考訳）: 高温超伝導体における臨界電流の強化学習誘導最適化
• Authors: Mouyang Cheng, Qiwei Wan, Bowen Yu, Eunbi Rha, Michael J Landry, Mingda Li,
• Abstract要約: 高温超伝導体は次世代エネルギーと量子技術に不可欠である。 しかし、その性能は、しばしば臨界電流密度(J_c$)によって制限される。 本稿では、強化学習(RL)と時間依存型ギンズバーグ・ランダウ(TDGL)シミュレーションを組み合わせた統合ワークフローを提案する。
• 参考スコア（独自算出の注目度）: 5.963780660451256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-temperature superconductors are essential for next-generation energy and quantum technologies, yet their performance is often limited by the critical current density ($J_c$), which is strongly influenced by microstructural defects. Optimizing $J_c$ through defect engineering is challenging due to the complex interplay of defect type, density, and spatial correlation. Here we present an integrated workflow that combines reinforcement learning (RL) with time-dependent Ginzburg-Landau (TDGL) simulations to autonomously identify optimal defect configurations that maximize $J_c$. In our framework, TDGL simulations generate current-voltage characteristics to evaluate $J_c$, which serves as the reward signal that guides the RL agent to iteratively refine defect configurations. We find that the agent discovers optimal defect densities and correlations in two-dimensional thin-film geometries, enhancing vortex pinning and $J_c$ relative to the pristine thin-film, approaching 60\% of theoretical depairing limit with up to 15-fold enhancement compared to random initialization. This RL-driven approach provides a scalable strategy for defect engineering, with broad implications for advancing HTS applications in fusion magnets, particle accelerators, and other high-field technologies.
• Abstract（参考訳）: 高温超伝導体は次世代のエネルギーと量子技術に不可欠であるが、その性能はしばしば、ミクロ構造欠陥の影響を強く受けている臨界電流密度(J_c$)によって制限される。 欠陥型,密度,空間相関の複雑な相互作用のため,欠陥工学によるJ_c$の最適化は困難である。 本稿では、強化学習(RL)と時間依存のギンズバーグ・ランダウ(TDGL)シミュレーションを組み合わせて、J_c$を最大化する最適欠陥構成を自律的に識別する統合ワークフローを提案する。 このフレームワークでは、TDGLシミュレーションが電流電圧特性を生成してJ_c$の評価を行い、RLエージェントを反復的に欠陥構成を洗練させる報酬信号として機能する。 エージェントは2次元薄膜の最適欠陥密度と相関性を発見し, 渦ピンニングとJ_c$をプリスタン薄膜と比較して向上させ, ランダム初期化に比べて最大15倍の精度で理論劣化限界に近づいた。 このRL駆動のアプローチは欠陥工学のスケーラブルな戦略を提供し、核融合磁石や粒子加速器、その他の高磁場技術におけるHTS応用の進展に幅広い意味を持つ。

関連論文リスト

• Causal Multi-fidelity Surrogate Forward and Inverse Models for ICF Implosions [0.0]
  inertial confinement fusion (ICF) は、実験的な観測とシミュレーション入力パラメータに関する逆問題の解法を必要とする。 ここでは、ICFカプセルの重水素トリチウム(DT)界面を考察し、時間依存の放射温度駆動から界面の半径と速度のダイナミクスにマッピングする因果的、動的、多面的還元次代理を構築する。 我々は,高エネルギー密度システムの発見,設計,診断を加速するために,演算子学習,因果的アーキテクチャ,物理的帰納バイアスをいかに統合するかを示す。
  論文  参考訳（メタデータ） (2025-09-05T21:39:53Z)
• Lightweight Federated Learning over Wireless Edge Networks [83.4818741890634]
  Federated (FL) はネットワークエッジの代替品であるが、無線ネットワークでは代替品である。 閉形式式FL収束ギャップ伝送パワー,モデルプルーニング誤差,量子化を導出する。 LTFLは、実世界のデータセットの実験において最先端のスキームよりも優れている。
  論文  参考訳（メタデータ） (2025-07-13T09:14:17Z)
• DeepOHeat-v1: Efficient Operator Learning for Fast and Trustworthy Thermal Simulation and Optimization in 3D-IC Design [8.985038535368673]
  本稿では,熱解析のための物理インフォームド演算子学習フレームワークDeepOHeat-v1を提案する。 本稿では,座標軸に沿って基底関数を分解し,62倍のトレーニング高速化と31倍のGPUメモリ削減を実現する分離可能なトレーニング手法を提案する。 実験結果から,DeepOHeat-v1は高忠実度有限差分解器を用いた最適化に匹敵する精度が得られた。
  論文  参考訳（メタデータ） (2025-04-04T21:39:42Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Optimized generation of entanglement based on the f-STIRAP technique [0.9136613591557773]
  共振モードに結合した2つの量子ビット間の最大絡み合った状態(ベル状態)を生成することを検討する。 我々は,非断熱リークとシステム消散が絡み合い発生に及ぼす影響を定量化する。 最適プロファイル,操作時間,最大絡み合いの解析式が得られた。
  論文  参考訳（メタデータ） (2024-03-14T13:33:00Z)
• Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks [0.1752969190744922]
  設計技術の共同最適化(DTCO)は、最適パワー、性能、領域を達成する上で重要な役割を果たす。 本稿では,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-20T06:10:27Z)
• Exploration of superconducting multi-mode cavity architectures for quantum computing [44.99833362998488]
  トランスモン回路に結合した超伝導無線周波数(SRF)キャビティは、高コヒーレンスな量子情報プロセッサを構築する上で有望なプラットフォームであることが証明されている。 本稿では,多セルSRF空洞の設計最適化プロセスについて述べる。
  論文  参考訳（メタデータ） (2023-08-22T19:02:23Z)
• High-Dimensional Yield Estimation using Shrinkage Deep Features and Maximization of Integral Entropy Reduction [0.8522010776600341]
  非線形カーネル関連ディープカーネルにおいて,プロセスの変動パラメータを自動的に識別する絶対的深層学習ASDKを提案する。 カラム回路の実験は、SOTA法よりも最大10.3倍の高速化で精度と効率の点で、最先端(SOTA)アプローチよりもASDKの方が優れていることを示した。
  論文  参考訳（メタデータ） (2022-12-05T08:39:41Z)
• Fast Convex Optimization for Two-Layer ReLU Networks: Equivalent Model Classes and Cone Decompositions [47.276004075767176]
  ReLUアクティベーション機能を持つ2層ニューラルネットワークの凸最適化のためのソフトウェアを開発した。 本稿では,凸ゲート型ReLUモデルにおいて,ReLUトレーニング問題に対するデータ依存アルゴリズムが得られたことを示す。
  論文  参考訳（メタデータ） (2022-02-02T23:50:53Z)
• High-Fidelity Machine Learning Approximations of Large-Scale Optimal Power Flow [49.2540510330407]
  AC-OPFは、多くの電力システムアプリケーションにおいて重要なビルディングブロックである。 本稿では, 再生可能エネルギーの普及にともなって, AC-OPFの効率的な近似を実現するための深層学習について検討する。
  論文  参考訳（メタデータ） (2020-06-29T20:22:16Z)

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。