論文の概要: Machine Learning for Electron-Scale Turbulence Modeling in W7-X

• arxiv url: http://arxiv.org/abs/2511.04567v1
• Date: Thu, 06 Nov 2025 17:24:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.52878
• Title: Machine Learning for Electron-Scale Turbulence Modeling in W7-X
• Title（参考訳）: W7-Xにおける電子スケール乱流モデリングのための機械学習
• Authors: Ionut-Gabriel Farcas, Don Lawrence Carl Agapito Fernando, Alejandro Banon Navarro, Gabriele Merlo, Frank Jenko,
• Abstract要約: 本稿では,Wendelstein 7-Xステラレータにおける乱流の機械学習による低減モデルを提案する。 各モデルは、ETG熱流束を3つのプラズマパラメータの関数として予測する。 本モデルでは,従来の参照シミュレーションに匹敵する頑健な性能と予測精度を示す。
• 参考スコア（独自算出の注目度）: 35.18016233072556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Constructing reduced models for turbulent transport is essential for accelerating profile predictions and enabling many-query tasks such as uncertainty quantification, parameter scans, and design optimization. This paper presents machine-learning-driven reduced models for Electron Temperature Gradient (ETG) turbulence in the Wendelstein 7-X (W7-X) stellarator. Each model predicts the ETG heat flux as a function of three plasma parameters: the normalized electron temperature radial gradient ($\omega_{T_e}$), the ratio of normalized electron temperature and density radial gradients ($\eta_e$), and the electron-to-ion temperature ratio ($\tau$). We first construct models across seven radial locations using regression and an active machine-learning-based procedure. This process initializes models using low-cardinality sparse-grid training data and then iteratively refines their training sets by selecting the most informative points from a pre-existing simulation database. We evaluate the prediction capabilities of our models using out-of-sample datasets with over $393$ points per location, and $95\%$ prediction intervals are estimated via bootstrapping to assess prediction uncertainty. We then investigate the construction of generalized reduced models, including a generic, position-independent model, and assess their heat flux prediction capabilities at three additional locations. Our models demonstrate robust performance and predictive accuracy comparable to the original reference simulations, even when applied beyond the training domain.
• Abstract（参考訳）: 乱流輸送のための縮小モデルの構築は、プロファイル予測を加速し、不確実性定量化、パラメータスキャン、設計最適化といった多くのクエリータスクを可能にするために不可欠である。 本稿では,ウェンデルシュタイン7-X(W7-X)ステラレータにおける電子温度勾配(ETG)乱流の機械学習による低減モデルを提案する。 各モデルは、正規化電子温度半径勾配(\omega_{T_e}$)、正規化電子温度と密度半径勾配(\eta_e$)、電子対イオン温度比(\tau$)の3つのパラメータの関数としてETG熱流束を予測する。 まず、回帰とアクティブな機械学習に基づく手法を用いて、7つのラジアルな位置をまたいだモデルを構築した。 このプロセスは、低カルチナリティスパースグリッドトレーニングデータを用いてモデルを初期化し、既存のシミュレーションデータベースから最も情報性の高い点を選択することにより、トレーニングセットを反復的に洗練する。 我々は,1カ所あたり393ドル以上のアウト・オブ・サンプル・データセットを用いてモデルの予測能力を評価し,ブートストラップを用いて予測間隔を9,5\%と推定し,予測の不確実性を評価する。 次に,一般的な位置独立モデルを含む一般化された縮小モデルの構築について検討し,その熱流束予測能力を3つの追加箇所で評価する。 我々のモデルは、トレーニング領域を超えて適用しても、元の参照シミュレーションに匹敵する堅牢な性能と予測精度を示します。

関連論文リスト

• How does ion temperature gradient turbulence depend on magnetic geometry? Insights from data and machine learning [3.5086936665880017]
  磁気幾何学は核融合プラズマにおける乱流輸送のレベルに大きな影響を及ぼす。 我々は、複数の機械学習手法と200,000以上の非線形シミュレーションのデータセットを用いて、この依存を分析した。 畳み込みニューラルネットワーク(CNN)や決定木を含む複数の回帰モデルは、熱流束に対して合理的な予測力を得ることができる。
  論文  参考訳（メタデータ） (2025-02-17T10:48:26Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Capturing Local Temperature Evolution during Additive Manufacturing through Fourier Neural Operators [0.0]
  本稿では, 加法製造過程における局所的な温度変化を捉えたデータ駆動モデルを提案する。 直接エネルギー沈着過程における不連続なガレルキン有限要素法に基づく数値シミュレーションで検証した。 その結果、このモデルはR2$で測定された高忠実度を実現し、トレーニングプロセスに含まれていない測地に対する一般化性を維持した。
  論文  参考訳（メタデータ） (2023-07-04T16:17:59Z)
• Long Horizon Temperature Scaling [90.03310732189543]
  LHTS(Long Horizon Temperature Scaling)は、温度スケールの関節分布をサンプリングするための新しい手法である。 温度依存性のLHTS目標を導出し, 温度範囲のモデルを微調整することで, 制御可能な長地平線温度パラメータで生成可能な単一モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-07T18:59:32Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• A physics and data co-driven surrogate modeling approach for temperature field prediction on irregular geometric domain [12.264200001067797]
  本研究では, 温度場予測のための新しい物理・データ共駆動サロゲートモデリング法を提案する。 数値計算により,本手法はより小さなデータセット上での精度予測を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-03-15T08:43:24Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• Thermal Neural Networks: Lumped-Parameter Thermal Modeling With State-Space Machine Learning [0.0]
  電力システムの熱モデルには、リアルタイム能力と高い推定精度の両方が必要である。 本研究では,熱伝達に基づくラムド型パラメータモデルとして,熱ニューラルネットワーク(TNN)を導入し,両者を統一した。 TNNは状態空間表現を通じて物理的に解釈可能な状態を持ち、エンドツーエンドのトレーニング可能であり、その設計に材料、幾何学、専門知識を必要としない。
  論文  参考訳（メタデータ） (2021-03-30T13:15:48Z)

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。