論文の概要: A proof-of-concept for automated AI-driven stellarator coil optimization with in-the-loop finite-element calculations

• arxiv url: http://arxiv.org/abs/2603.15240v1
• Date: Mon, 16 Mar 2026 13:12:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.306136
• Title: A proof-of-concept for automated AI-driven stellarator coil optimization with in-the-loop finite-element calculations
• Title（参考訳）: ループ内有限要素計算を用いたAI駆動型ステラレータコイルの自動最適化のための概念実証
• Authors: Alan A. Kaptanoglu, Pedro F. Gil,
• Abstract要約: ステラレータコイル最適化のための「エンド・ツー・エンド・ランナー」を設計した。 ユーザはいくつかの基本的な入力パラメータのみを指定し、最終的なコイルソリューションはオープンソースのリーダーボードで更新される。 我々は、コイル内のVon Mises応力のループ内最適化を新たに構築し、ループ内有限要素計算における重要な将来性を開く。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding feasible coils for stellarator fusion devices is a critical challenge of realizing this concept for future power plants. Years of research work can be put into the design of even a single reactor-scale stellarator design. To rapidly speed up and automate the workflow of designing stellarator coils, we have designed an end-to-end ``runner'' for performing stellarator coil optimization. The entirety of pre and post-processing steps have been automated; the user specifies only a few basic input parameters, and final coil solutions are updated on an open-source leaderboard. Two policies are available for performing non-stop automated coil optimizations through a genetic algorithm or a context-aware LLM. Lastly, we construct a novel in-the-loop optimization of Von Mises stresses in the coils, opening up important future capabilities for in-the-loop finite-element calculations.
• Abstract（参考訳）: ステラレータ融合装置の可能なコイルを見つけることは、将来の発電所でこの概念を実現する上で重要な課題である。 長年の研究は、単一の原子炉規模のステラレータの設計にも適用できる。 ステラレータコイル設計のワークフローを高速化し,自動化するために,ステラレータコイル最適化を行うために,エンドツーエンドの ‘runner'' を設計した。 ユーザーはいくつかの基本的な入力パラメータのみを指定し、最終的なコイルソリューションはオープンソースのリーダーボードで更新される。 遺伝的アルゴリズムまたは文脈認識LLMを通じて非ストップ自動コイル最適化を行うための2つのポリシーが利用可能である。 最後に、コイル内におけるVon Mises応力のループ内最適化を新たに構築し、ループ内有限要素計算における重要な将来性を開く。

関連論文リスト

• RedFuser: An Automatic Operator Fusion Framework for Cascaded Reductions on AI Accelerators [9.326859100205636]
  オペレータフュージョンは、AIモデルのデプロイにおける重要なパフォーマンス最適化テクニックである。 RedFuserは、サポート対象のカスケード還元パターンを自動的に識別し、最適化された融合カーネルを生成するフレームワークである。 実験によると、RedFuserはさまざまなワークロードをうまく融合させ、2$times$から5$times$までのスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T12:29:57Z)
• FoldPath: End-to-End Object-Centric Motion Generation via Modulated Implicit Paths [8.246768588213463]
  物体中心運動生成(OCMG)のための新しいエンドツーエンドニューラルネットワークFoldPathを紹介する。 エンドエフェクタ・ウェイポイントの離散シーケンスを予測する従来のディープラーニングアプローチとは異なり、FoldPathはロボットの動きを連続関数として学習する。 現実的なシミュレーション環境における総合的な実験を通してFoldPathを検証する。
  論文  参考訳（メタデータ） (2025-11-03T10:00:25Z)
• GENIAL: Generative Design Space Exploration via Network Inversion for Low Power Algorithmic Logic Units [4.148469311862123]
  本稿では,算術単位の自動生成と最適化のための機械学習ベースのフレームワークを提案する。 ジェネリックの中核はトランスフォーマーベースのサロゲートモデルであり、2つの段階で訓練されている。 大規模なデータセットの実験では、ジェネリックは他の方法よりも一貫してサンプリング効率が高いことが示されている。
  論文  参考訳（メタデータ） (2025-07-25T06:34:59Z)
• 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)
• Benchmarking End-To-End Performance of AI-Based Chip Placement Algorithms [77.71341200638416]
  ChiPBenchはAIベースのチップ配置アルゴリズムの有効性を評価するために設計されたベンチマークである。 評価のために、さまざまなドメイン(CPU、GPU、マイクロコントローラなど)から20の回路を集めました。 その結果, 単点アルゴリズムの中間距離が支配的であったとしても, 最終的なPPA結果は満足できないことがわかった。
  論文  参考訳（メタデータ） (2024-07-03T03:29:23Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Effective Pre-Training Objectives for Transformer-based Autoencoders [97.99741848756302]
  トランスフォーマーエンコーダの効率,コスト,精度のトレードオフについて検討する。 共通の目的の機能を組み合わせて、新しい効果的な事前学習アプローチを作成します。
  論文  参考訳（メタデータ） (2022-10-24T18:39:44Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)
• PolyScientist: Automatic Loop Transformations Combined with Microkernels for Optimization of Deep Learning Primitives [55.79741270235602]
  深層学習カーネル開発のためのハイブリッドソリューションを開発する。 我々は、高度な多面体技術を用いて、パフォーマンスのために外部ループを自動的に調整する。
  論文  参考訳（メタデータ） (2020-02-06T08:02:34Z)

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。