論文の概要: Diffusion for Fusion: Designing Stellarators with Generative AI

• arxiv url: http://arxiv.org/abs/2511.20445v1
• Date: Tue, 25 Nov 2025 16:17:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.541344
• Title: Diffusion for Fusion: Designing Stellarators with Generative AI
• Title（参考訳）: 融合のための拡散: ジェネレーティブAIでステラレータを設計する
• Authors: Misha Padidar, Teresa Huang, Andrew Giuliani, Marina Spivak,
• Abstract要約: 我々は、高品質なステラレータ設計を迅速に生成する、機械学習コミュニティに逆問題を提示した。 我々は、quiSRデータベースのデータに基づいて条件拡散モデルを訓練し、望ましい特性を持つ準対称ステラレータの設計を生成する。 生成したステラレータの多くは, 準対称性および目標特性から5%未満の偏差を示す。
• 参考スコア（独自算出の注目度）: 0.27998963147546135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stellarators are a prospective class of fusion-based power plants that confine a hot plasma with three-dimensional magnetic fields. Typically framed as a PDE-constrained optimization problem, stellarator design is a time-consuming process that can take hours to solve on a computing cluster. Developing fast methods for designing stellarators is crucial for advancing fusion research. Given the recent development of large datasets of optimized stellarators, machine learning approaches have emerged as a potential candidate. Motivated by this, we present an open inverse problem to the machine learning community: to rapidly generate high-quality stellarator designs which have a set of desirable characteristics. As a case study in the problem space, we train a conditional diffusion model on data from the QUASR database to generate quasisymmetric stellarator designs with desirable characteristics (aspect ratio and mean rotational transform). The diffusion model is applied to design stellarators with characteristics not seen during training. We provide evaluation protocols and show that many of the generated stellarators exhibit solid performance: less than 5% deviation from quasisymmetry and the target characteristics. The modest deviation from quasisymmetry highlights an opportunity to reach the sub 1% target. Beyond the case study, we share multiple promising avenues for generative modeling to advance stellarator design.
• Abstract（参考訳）: ステラレータ(Stellarator)は、3次元の磁場で熱プラズマを閉じ込める核融合系発電所の先進的なクラスである。 通常、PDE制約のある最適化問題としてフレーム化され、ステラレータ設計は、コンピューティングクラスタで解決するのに数時間を要する時間を要するプロセスである。 ステラレータを高速に設計する手法の開発は、融合研究の進展に不可欠である。 最適化されたステラレータの大規模なデータセットが最近開発されていることから、機械学習アプローチが候補候補として浮上している。 そこで我々は機械学習コミュニティに対して,望ましい特徴のセットを持つ高品質なステラレータ設計を迅速に生成する,オープンな逆問題を提示した。 問題空間におけるケーススタディとして、quiSRデータベースのデータに基づいて条件拡散モデルを訓練し、望ましい特性(アスペクト比と平均回転変換)を持つ準対称ステラレータの設計を生成する。 拡散モデルは、トレーニング中に見えない特性を持つ設計ステラレータに適用される。 評価プロトコルを提供し,生成したステラレータの多くが,準対称性と目標特性との5%未満の偏差を示すことを示す。 準対称性からの控えめな偏差は、サブ1%の目標に達する機会を浮き彫りにする。 ケーススタディの他に,ステラレータ設計を進めるために,生成モデリングに期待できる道が複数ある。

関連論文リスト

• Self-supervised Synthetic Pretraining for Inference of Stellar Mass Embedded in Dense Gas [0.1753733541634709]
  機械学習は複雑な構造を恒星質量に結びつけることができるが、高解像度のシミュレーションから、大きな高品質のラベル付きデータセットを必要とする。 自己教師型フレームワークDINOv2を用いて,100万枚の合成フラクタル画像上に視覚変換器を事前学習することにより,この問題に対処する。 以上の結果から, 合成プレトレーニングは, 同じ限られたシミュレーションでトレーニングした教師付きモデルよりも, 若干の精度で, 凍結状態の回帰星質量予測を改善することが示唆された。
  論文  参考訳（メタデータ） (2025-10-28T07:55:34Z)
• STAR: A Benchmark for Astronomical Star Fields Super-Resolution [52.895107920663236]
  54,738個のフラックス一貫性の星体画像対を含む大規模SRデータセットSTARを提案する。 本稿では,Flux-Invariant Super Resolution (FISR)モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-22T09:28:28Z)
• Inverse Design of Diffractive Metasurfaces Using Diffusion Models [28.865660196923752]
  メタサーフェス(Metagrounds)は、光の正確な制御を可能にする、エンジニアリングされたサブ波長構造からなる超薄い光学素子である。 逆設計では、構造と光学特性の間の複雑な非線形関係のため、所望の光学応答をもたらす幾何を決定することは困難である。 拡散モデルの生成能力を計算設計に組み込むことにより,これらの課題に対処する。 本研究では,空間的に均一な強度スプリッタと偏光ビームスプリッタの設計に対するアプローチを示す。
  論文  参考訳（メタデータ） (2025-06-26T20:10:30Z)
• ConStellaration: A dataset of QI-like stellarator plasma boundaries and optimization benchmarks [34.506008976341185]
  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。
  論文  参考訳（メタデータ） (2025-06-24T12:49:00Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)

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。