論文の概要: CTF4Nuclear: Common Task Framework for Nuclear Fission and Fusion Models

• arxiv url: http://arxiv.org/abs/2605.15549v1
• Date: Fri, 15 May 2026 02:42:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.15036
• Title: CTF4Nuclear: Common Task Framework for Nuclear Fission and Fusion Models
• Title（参考訳）: CTF4Nuclear:核分裂と核融合モデルのための共通タスクフレームワーク
• Authors: Stefano Riva, Carolina Introini, Antonio Cammi, Dean Price, Alexey Yermakov, Yue Zhao, Philippe M. Wyder, Judah Goldfeder, Jan Williams, Amy Sara Rude, Matteo Tomasetto, Joe Germany, Joseph Bakarji, Georg Maierhofer, Miles Cranmer, J. Nathan Kutz,
• Abstract要約: 核工学における機械学習のための共通タスクフレームワーク(CTF)を紹介する。 このCTFは、異なる核および核隣接系のデータセットのキュレートされたセットを考慮に入れている。 これらのデータセットに対して標準MLベースラインをベンチマークすることで、このフレームワークを説明する。
• 参考スコア（独自算出の注目度）: 4.752729446149405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The demand for clean energy is ever increasing, with new nuclear technologies presenting a complementary solution to renewable energies. However, designing and operating these systems is exceptionally difficult, given the complexity of the physical phenomena that interact to form the system dynamics. While high-fidelity simulations help to understand the non-linear, multi-physics interactions within a reactor, they are computationally expensive and rarely suitable for real-time applications. Furthermore, model-based approaches are inherently sensitive to simplifying assumptions required to derive their governing equations and parameters, leading to inevitable discrepancies with real-world measurements. In contrast, Machine Learning (ML) methods have the potential to generate reliable surrogate models which may be able to quickly predict the system's behaviour. However, the number of data-driven methods that can potentially be used for this task is large and diverse. In a safety-critical setting such as nuclear engineering, a fair comparison of different ML methods, and a clear understanding of their advantages and limitations, is of paramount importance. To address this, we introduce a Common Task Framework (CTF) for ML in nuclear engineering, building upon previous efforts in dynamical systems and seismology. This CTF considers a curated set of datasets from different nuclear and nuclear-adjacent systems. The CTF evaluates the performance of a method on 12 established metrics, alongside a new paradigm focused on system monitoring from sparse measurements only. We illustrate the framework by benchmarking standard ML baselines against these datasets, revealing current method limitations. Our vision is to replace ad hoc comparisons with standardized evaluations on hidden test sets, raising the bar for rigour and reproducibility in scientific ML for the nuclear industry.
• Abstract（参考訳）: クリーンエネルギーの需要はますます増加しており、新しい原子力技術は再生可能エネルギーを補完する解決策を提供する。 しかし、システムダイナミクスを形成するために相互作用する物理現象の複雑さを考えると、これらのシステムの設計と運用は極めて困難である。 高忠実度シミュレーションは、リアクター内の非線形、多物理相互作用を理解するのに役立つが、計算コストが高く、リアルタイムアプリケーションに適していることは滅多にない。 さらに、モデルに基づくアプローチは、支配方程式やパラメータを導出するために必要な仮定を単純化するのに本質的に敏感である。 対照的に、機械学習(ML)メソッドは、システムの振る舞いを素早く予測できる信頼できる代理モデルを生成する可能性がある。 しかし、このタスクに使用可能なデータ駆動メソッドの数は、大きく、多様である。 原子力工学のような安全クリティカルな環境では、異なるML手法の公正な比較と、それらの利点と限界を明確に理解することが最重要事項である。 これを解決するため,核工学におけるMLのための共通タスクフレームワーク(Common Task Framework, CTF)を導入し, 動的システムと地震学におけるこれまでの取り組みに基づいて構築した。 このCTFは、異なる核および核隣接系のデータセットのキュレートされたセットを考慮に入れている。 CTFは、スパース測定のみからのシステム監視に焦点を当てた新しいパラダイムとともに、確立された12のメトリクスに対するメソッドのパフォーマンスを評価する。 これらのデータセットに対して標準MLベースラインをベンチマークし、現在のメソッド制限を明らかにすることで、このフレームワークを説明する。 私たちのビジョンは、隠れたテストセットの標準化された評価とアドホックな比較を置き換え、核産業のための科学MLの厳格さと再現性を高めることです。

関連論文リスト

• Hierarchical Inference and Closure Learning via Adaptive Surrogates for ODEs and PDEs [15.38864225184245]
  逆問題は、データに合うようにモデルを校正するタスクである。 我々は、異なるが関連する物理システムのコレクションからのデータを活用するための原則的方法論を開発する。 我々は、MLベースのクロージャモデルという形で、共有未知のダイナミクスを学習する。
  論文  参考訳（メタデータ） (2026-03-04T10:30:08Z)
• TokaMark: A Comprehensive Benchmark for MAST Tokamak Plasma Models [56.94569090844015]
  TokaMarkは、Mega Ampere Spherical Tokamak (MAST)から収集された実実験データに基づいてAIモデルを評価するための構造化ベンチマークである。 TokaMarkは、データ駆動型AIベースのプラズマモデリングの進歩を加速することを目的としている。
  論文  参考訳（メタデータ） (2026-02-05T16:49:44Z)
• Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
  この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。 本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
  論文  参考訳（メタデータ） (2026-01-20T18:46:42Z)
• Combining Entropy and Matrix Nuclear Norm for Enhanced Evaluation of Language Models [0.0]
  大規模言語モデル(LLM)は進歩を続けており、正確で効率的な評価指標の必要性がより強くなっている。 伝統的なアプローチは、情報的ではあるが、しばしば計算要求と解釈可能性の制限に直面している。 本稿では,2つの確立された手法を統合した新しいハイブリッド評価手法を提案する。
  論文  参考訳（メタデータ） (2024-10-18T14:03:52Z)
• Benchmarks as Microscopes: A Call for Model Metrology [76.64402390208576]
  現代の言語モデル(LM)は、能力評価において新たな課題を提起する。 メトリクスに自信を持つためには、モデルミアロジの新たな規律が必要です。
  論文  参考訳（メタデータ） (2024-07-22T17:52:12Z)
• Optimal design of experiments in the context of machine-learning inter-atomic potentials: improving the efficiency and transferability of kernel based methods [0.7234862895932991]
  原子間相互作用のデータ駆動機械学習(ML)モデルは、原子配列のニュアンスな側面をエネルギーと力の予測に関連付けることができる。 主な課題は、化学環境のディスクリプタが、よく明確に定義された連続計量のない高次元の物体であるという事実に起因している。 実験の統計的計画と最適設計の古典的な概念は、そのような問題を比較的低い計算コストで緩和するのに役立つことを実証する。
  論文  参考訳（メタデータ） (2024-05-14T14:14:23Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)

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。