論文の概要: ReactorFold: Generative discovery of nuclear reactor cores via emergent physical reasoning

• arxiv url: http://arxiv.org/abs/2512.15756v1
• Date: Fri, 12 Dec 2025 02:26:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.667307
• Title: ReactorFold: Generative discovery of nuclear reactor cores via emergent physical reasoning
• Title（参考訳）: ReactorFold: 創発的な物理的推論による原子炉コアの生成
• Authors: Yoonpyo Lee,
• Abstract要約: ReactorFoldは、言語モデルのシーケンスモデリング問題として、燃料組立設計を再構成する生成フレームワークである。 モデルは加圧水圧器組立体の潜伏構造を学習し、単一の前方通過で候補配置を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing nuclear reactor cores requires navigating large discrete design spaces governed by complex neutronic interactions. Traditional deterministic, metaheuristic, and machine-learning-assisted methods search within fixed, human-defined configuration spaces, limiting their ability to discover fundamentally new design topologies. Here we introduce ReactorFold, a generative framework that reformulates fuel-assembly design as a sequence modeling problem for language models. Using Monte Carlo data, parameter-efficient fine-tuning, and Direct Preference Optimization (DPO), the model learns the latent structure of a pressurized-water-reactor assembly and generates candidate layouts in a single forward pass. Notably, the DPO-aligned model exhibits emergent design-space expansion: despite being trained exclusively on configurations with a fixed number of gadolinium burnable absorber (Gd) rods, it autonomously adjusts Gd inventory to satisfy strict power-peaking constraints. The model also discovers high-performing asymmetric configurations that challenge conventional symmetric loading heuristics, accessing design regimes inaccessible to conventional search methods and demonstrating that language models can internalize causal physical relationships and transcend human-imposed design constraints.
• Abstract（参考訳）: 原子炉のコアを設計するには、複雑な中性子相互作用によって支配される大きな離散的な設計空間をナビゲートする必要がある。 従来の決定論的、メタヒューリスティック、機械学習支援の手法は、固定された人間の定義した構成空間内を探索し、基本的な新しい設計トポロジを発見する能力を制限する。 本稿では,言語モデルのシーケンスモデリング問題として,燃料組立設計を再構成する生成フレームワークReactorFoldを紹介する。 モンテカルロのデータ,パラメータ効率のよい微調整,直接選好最適化(DPO)を用いて,加圧水領域アセンブリの潜時構造を学習し,単一の前方通過で候補レイアウトを生成する。 ガドリニウム燃焼吸収体(Gd)ロッドの固定数の配置にのみ訓練されているにもかかわらず、厳密な電力消費制約を満たすためにGdインベントリを自律的に調整している。 このモデルはまた、従来の対称なローディングヒューリスティックに挑戦する高い性能の非対称な構成を発見し、従来の探索手法に到達できない設計規則にアクセスし、言語モデルが因果的物理的関係を内在化し、人間に課せられる設計制約を超越できることを示す。

関連論文リスト

• Generative Deep Learning Framework for Inverse Design of Fuels [0.0]
  燃料の高速な逆設計を可能にするために、生成的深層学習フレームワークが開発された。 GDB-13データベースのサブセットは、修正されたRONデータベースに富んだもので、モデルトレーニングに使用される。 次に、独立回帰モデルを用いてRON予測を洗練させ、VAE潜在空間を効率的にナビゲートする微分進化アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2025-04-16T13:32:25Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Leveraging Active Subspaces to Capture Epistemic Model Uncertainty in Deep Generative Models for Molecular Design [2.0701439270461184]
  生成分子設計モデルでは、多数のパラメータによって生じるベイズ推定の計算上の問題により、不確実性定量化(UQ)への取り組みが減っている。 本研究では、生成分子設計の一般的なモデルであるジャンクションツリー変分オートエンコーダ(JT-VAE)に着目し、低次元の活性部分空間を利用してモデルパラメータの不確かさを捉えることでこの問題に対処する。
  論文  参考訳（メタデータ） (2024-04-30T21:10:51Z)
• Model order reduction of deep structured state-space models: A system-theoretic approach [0.0]
  深い構造化状態空間モデルは高い予測性能を提供する。 学習された表現は、しばしば非常に大きなモデル順序に悩まされるため、制御設計の目的には適さない。 モデルの整合性を改善するためにトレーニング損失に組み込むことのできる2つの正規化項を導入する。 提示された正則化器は、同相表現と、縮小順序モデルによるより高速な推論という観点で利点をもたらす。
  論文  参考訳（メタデータ） (2024-03-21T21:05:59Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
  本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。 提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
  論文  参考訳（メタデータ） (2024-02-05T22:18:16Z)
• Re-parameterizing Your Optimizers rather than Architectures [119.08740698936633]
  本稿では,モデル固有の事前知識を構造学に取り入れ,汎用モデル(簡易モデル)の学習に使用する新しいパラダイムを提案する。 実装として,モデル固有のハイパーパラメータの集合に従って勾配を変更することによって,事前知識を付加する手法を提案する。 Reprでトレーニングされた単純なモデルに対しては、VGGスタイルのプレーンモデルに注目し、ReprでトレーニングされたそのようなシンプルなモデルがRep-VGGと呼ばれ、最近のよく設計されたモデルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-05-30T16:55:59Z)
• Inverse design of photonic devices with strict foundry fabrication constraints [55.41644538483948]
  本稿では,ナノフォトニクス素子の逆設計法を提案し,設計が厳密な長さの制約を満たすことを保証した。 本手法の性能と信頼性を,いくつかの共通集積フォトニック部品を設計することによって実証する。
  論文  参考訳（メタデータ） (2022-01-31T02:27:25Z)

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。