論文の概要: Inverse Critical Experiment Design via Gradient Optimization and a Multigroup Attention-Based Neural Network Architecture

• arxiv url: http://arxiv.org/abs/2606.04033v1
• Date: Mon, 01 Jun 2026 21:19:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.253385
• Title: Inverse Critical Experiment Design via Gradient Optimization and a Multigroup Attention-Based Neural Network Architecture
• Title（参考訳）: 勾配最適化と多群注意に基づくニューラルネットワークアーキテクチャによる逆臨界実験設計
• Authors: Will Savage, Logan Burnett, Dean Price,
• Abstract要約: 先進的な原子炉の設計と燃料の概念の検証には、ターゲット技術と高い中性子類似性を持つ実験が必要である。 深部ニューラルネットワークサロゲートモデリングと非パラメトリック勾配最適化を用いて、$c_k$を最大化する実験測地を生成する。 このアプローチは、先進的な原子力技術の発展を加速するために、ディープラーニングと勾配最適化の可能性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The validation of advanced nuclear reactor designs and fuel concepts requires critical experiments with high neutronic similarity to the target technology. Neutronic similarity is quantified by the correlation coefficient $c_k$, which captures the shared bias in $k_\text{eff}$ induced by uncertainties in nuclear data. Generally, a $c_k\geq0.9$ is needed for an experiment to be sufficiently similar to a target technology. This work presents a methodology for the inverse design of critical experiments. Deep neural network surrogate modeling and nonparametric gradient optimization are used to generate experiment geometries that maximize $c_k$. A deep neural network is trained on OpenMC-calculated sensitivity vectors for grid-based critical experiment geometries. The model architecture combines a U-Net convolutional encoder-decoder with a novel multigroup attention pooling layer, introduced to capture the differing spatial dependencies of sensitivities. Multigroup attention pooling is shown to achieve better performance than traditional pooling, as well as interpretable internal behavior. The differentiability of the surrogate enables gradient-based optimization of the full combinatorial design space, allowing $c_k$ to be maximized by directly changing the material assignment of each position in the geometry grid. The method is applied to the validation of the TN-Americas TN-LC transportation cask with HALEU fuel, for which existing critical experiment coverage is limited. The optimization procedure is shown to produce experiment geometries achieving $c_k$ scores of 0.97757, 0.81324, and 0.93276 for three configurations of interest. This approach demonstrates the potential of deep learning and gradient optimization to accelerate the development of advanced nuclear technology.
• Abstract（参考訳）: 先進的な原子炉の設計と燃料の概念の検証には、ターゲット技術と高い中性子類似性を持つ臨界実験が必要である。 中性子の類似性は相関係数$c_k$で定量化され、これは核データの不確実性によって誘導される$k_\text{eff}$の共有バイアスをキャプチャする。 一般に、実験がターゲット技術と十分に似たものになるためには、$c_k\geq0.9$が必要である。 本研究は, 臨界実験の逆設計手法を提案する。 深部ニューラルネットワークサロゲートモデリングと非パラメトリック勾配最適化を用いて、$c_k$を最大化する実験測地を生成する。 グリッドベースの臨界実験ジオメトリのための、OpenMCで計算された感度ベクトルに基づいて、ディープニューラルネットワークを訓練する。 モデルアーキテクチャは、U-Net畳み込みエンコーダデコーダと新しいマルチグループアテンションプーリング層を組み合わせることで、感度の異なる空間依存性をキャプチャする。 マルチグループアテンションプーリングは従来のプールよりも優れた性能を示し、内部動作を解釈可能である。 シュロゲートの微分可能性により、全組合せ設計空間の勾配に基づく最適化が可能となり、幾何格子の各位置の物質割り当てを直接変更することで$c_k$を最大化することができる。 本手法は,HALEU燃料を用いたTN-Americas TN-LC輸送キャスクの検証に応用され,既存の臨界実験範囲が限定されている。 この最適化手法により、3種類の興味のある構成に対して0.97757, 0.81324, 0.93276の$c_k$のスコアが得られた。 このアプローチは、先進的な原子力技術の発展を加速するために、ディープラーニングと勾配最適化の可能性を実証する。

関連論文リスト

• Learning High-Dimensional Parity Functions with Product Networks using Gradient Descent [1.6802038598427533]
  高次元パリティ関数は、機械学習、暗号、エラー訂正に不可欠である。 標準的なニューラルネットワークアーキテクチャは、通常指数的なサンプル複雑性を必要とする。 コンパクトな製品ベースのニューラルアーキテクチャとデータスパシティを組み合わせることで、効率の良いパリティ学習が可能になることを示す。 この研究は、自動プロトコル発見に適用されるニューラル演算、構造化推論、バイナリニューラルネットワーク、マシンラーニングの新たな可能性を開く。
  論文  参考訳（メタデータ） (2026-05-27T15:26:16Z)
• Evolution of Optimization Methods: Algorithms, Scenarios, and Evaluations [98.44542103979735]
  勾配勾配降下法(SGD)とアダム(Adam)による1次勾配勾配降下法は、現代の訓練パイプラインの基礎となる。 大規模モデルトレーニング、厳格なプライバシ要件、分散学習パラダイムは、プライバシ保護とメモリ効率に関する従来のアプローチにおける重要な制限を明らかにする。 深層学習最適化アルゴリズムの進化軌道を振り返って分析し、様々なモデルアーキテクチャやトレーニングシナリオの主流を包括的に評価する。 我々は、重要な新興トレンドと基本設計のトレードオフを抽出し、将来の研究の有望な方向性を示唆する。
  論文  参考訳（メタデータ） (2026-04-14T17:01:36Z)
• Neural Optimal Design of Experiment for Inverse Problems [0.0]
  逆問題における最適実験設計のための学習ベースフレームワークである実験のニューラル最適設計を紹介する。 NODEは、センサーの位置、サンプリング時間、測定角度を表す、ニューラルネットワーク再構成モデルと、継続的な設計変数の固定予算セットを共同で訓練する。 我々は,MNIST画像サンプリングを用いて,解析的に抽出可能な指数関数成長ベンチマークを用いてNODEを検証し,実世界のスパースビューX線CTの例でその有効性を示す。
  論文  参考訳（メタデータ） (2025-12-28T22:26:18Z)
• DeepContour: A Hybrid Deep Learning Framework for Accelerating Generalized Eigenvalue Problem Solving via Efficient Contour Design [6.4948092160348665]
  DeepContourは、ディープラーニングベースのスペクトル予測器とカーネル密度推定を統合する、新しいハイブリッドフレームワークである。 メインの実験では、DeepContourが複数のデータセットにわたるGEP解決を高速化し、最大5.63$times$ Speedupを実現しています。
  論文  参考訳（メタデータ） (2025-11-02T12:58:58Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Towards Theoretically Inspired Neural Initialization Optimization [66.04735385415427]
  我々は,ニューラルネットワークの初期状態を評価するための理論的知見を備えた,GradCosineという微分可能な量を提案する。 標準制約下でGradCosineを最大化することにより、ネットワークのトレーニングとテストの両方の性能を向上させることができることを示す。 サンプル分析から実際のバッチ設定に一般化されたNIOは、無視可能なコストで、より優れた初期化を自動で探すことができる。
  論文  参考訳（メタデータ） (2022-10-12T06:49:16Z)
• Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
  予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T02:12:34Z)
• iDARTS: Differentiable Architecture Search with Stochastic Implicit Gradients [75.41173109807735]
  微分可能なArchiTecture Search(DARTS)は先日,ニューラルアーキテクチャサーチ(NAS)の主流になった。 暗黙の関数定理に基づいてDARTSの過次計算に取り組む。 提案手法であるiDARTSのアーキテクチャ最適化は,定常点に収束することが期待される。
  論文  参考訳（メタデータ） (2021-06-21T00:44:11Z)
• Enhanced data efficiency using deep neural networks and Gaussian processes for aerodynamic design optimization [0.0]
  随伴型最適化法は空気力学的形状設計において魅力的である。 複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。 本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-15T15:09:21Z)
• Cogradient Descent for Bilinear Optimization [124.45816011848096]
  双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。 一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。 本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
  論文  参考訳（メタデータ） (2020-06-16T13:41:54Z)

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。