論文の概要: Towards Data-Efficient Cross-Device Generalization of Grad-Shafranov Equilibria via Transfer Learning Neural Operator

• arxiv url: http://arxiv.org/abs/2606.15512v1
• Date: Sat, 13 Jun 2026 23:47:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.667415
• Title: Towards Data-Efficient Cross-Device Generalization of Grad-Shafranov Equilibria via Transfer Learning Neural Operator
• Title（参考訳）: トランスファーラーニングニューラル演算子によるグラッドシャフラノフ平衡の効率的なクロスデバイス一般化に向けて
• Authors: Jay Phil Yoo, William Howes, Yashika Ghai, Kazuma Kobayashi, Souvik Chakraborty, Syed Bahauddin Alam,
• Abstract要約: 平衡再構成は、デバイス間演算子学習問題として再キャスト可能であることを示す。 我々は、幾何学とプロファイルパラメータを直接ポロイドフラックス場にマッピングする、ドメイン固有のニューラル演算子フレームワークを開発した。 解析的に抽出可能なソロフエフ族を制御されたグラッド・シャフラノフテストベッドとして使用し、8つの幾何学的に異なるトカマクのような構成の平衡を生成する。
• 参考スコア（独自算出の注目度）: 3.9544080780786692
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time reconstruction of magnetohydrodynamic equilibria is essential for plasma shaping, stability assessment and feedback control in magnetic confinement fusion. However, Grad-Shafranov equilibrium calculations remain largely device-specific and iterative, limiting their use in latency-constrained control settings. Existing neural approaches can accelerate individual equilibrium predictions, but they do not generally provide reusable models across changing plasma boundaries or tokamak geometries. Here we show that equilibrium reconstruction can be recast as a cross-device operator learning problem. We develop a domain-specific neural operator framework that maps geometry and profile parameters directly to the poloidal flux field, replacing repeated solve-on-demand computation with amortized operator inference. Using the analytically tractable Solov'ev family as a controlled Grad-Shafranov testbed, we generate equilibria across eight geometrically distinct tokamak-like configurations and benchmark five neural operator architectures under four transfer-learning strategies. Single-geometry pretraining gives poor transfer to unseen devices, whereas multi-geometry pretraining enables data-efficient adaptation. The Wavelet Neural Operator gives the strongest cross-geometry performance, reaching mean relative L2 errors below 4% with 100 labelled target equilibria and below 2% with full fine-tuning. The predicted magnetic fields satisfy the divergence-free constraint to numerical precision, and four architectures achieve millisecond or sub-millisecond inference. These results identify neural operator pretraining as a route towards reusable, real-time equilibrium inference across fusion device configurations.
• Abstract（参考訳）: 磁気閉じ込め核融合におけるプラズマ形成, 安定性評価, フィードバック制御には, 磁気流体平衡のリアルタイム再構築が不可欠である。 しかし、Grad-Shafranov平衡計算は主にデバイス固有で反復的であり、レイテンシ制約のある制御設定での使用を制限する。 既存のニューラルアプローチは個々の平衡予測を加速することができるが、プラズマ境界やトカマク測地をまたいだ再利用可能なモデルを提供しない。 ここでは、平衡再構成をデバイス間演算子学習問題として再キャスト可能であることを示す。 そこで我々は,幾何パラメータとプロファイルパラメータを直接ポロイドフラックス場にマッピングし,繰り返しの解決オンデマンド計算を償却演算子推論に置き換える,ドメイン固有のニューラル演算子フレームワークを開発した。 解析的にトラクタブルな Solov'ev ファミリーを制御された Grad-Shafranov テストベッドとして使用し、幾何学的に異なる 8 つのトカマク様構成の平衡を生成し、4 つのトランスファーラーニング戦略の下で 5 つのニューラルオペレーターアーキテクチャをベンチマークする。 シングルジオメトリ事前学習は、未確認デバイスへの転送が不十分であるのに対して、マルチジオメトリ事前学習はデータ効率のよい適応を可能にする。 Wavelet Neural Operatorは、平均的なL2誤差を4%以下に、100のラベル付きターゲット平衡を2%以下に到達し、完全な微調整を行う。 予測された磁場は、数値精度へのばらつきのない制約を満たし、4つのアーキテクチャはミリ秒またはサブミリ秒の推論を達成する。 これらの結果は、核融合装置構成における再利用可能なリアルタイム平衡推論への経路として、ニューラル演算子の事前訓練を特定する。

関連論文リスト

• Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer [0.0]
  細孔スケールの微細構造画像からの透水性テンソルの予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を要する。 MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。
  論文  参考訳（メタデータ） (2026-03-18T09:41:01Z)
• Physics-informed Neural Operator Learning for Nonlinear Grad-Shafranov Equation [18.564353542797946]
  磁気閉じ込め核融合では、Grad-Shafranov方程式(GSE)の迅速かつ正確な解はリアルタイムプラズマ制御と解析に不可欠である。 従来の数値解法は精度が高く、計算は禁じられているが、データ駆動サロゲートは素早く推論するが、物理法則を強制せず、トレーニング分布をはるかに越えて一般化することができない。 本稿では, GSE 解演算子を直接学習する物理インフォームド・ニューラル演算子 (PINO) について述べる。
  論文  参考訳（メタデータ） (2025-11-24T13:46:38Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
  条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。 CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
  論文  参考訳（メタデータ） (2025-09-29T19:50:19Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• In-Context Convergence of Transformers [63.04956160537308]
  勾配降下法により訓練したソフトマックスアテンションを有する一層変圧器の学習力学について検討した。 不均衡な特徴を持つデータに対しては、学習力学が段階的に収束する過程をとることを示す。
  論文  参考訳（メタデータ） (2023-10-08T17:55:33Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Adaptive physics-informed neural operator for coarse-grained non-equilibrium flows [0.0]
  このフレームワークは、階層的かつ適応的なディープラーニング戦略を通じて、次元還元とニューラル演算子を組み合わせる。 提案したサロゲートのアーキテクチャは木として構成され、葉ノードは別々の神経オペレータブロックを表す。 0-Dのシナリオでは、提案されたMLフレームワークは、最大相対誤差が4.5%である約30種の力学を適応的に予測することができる。
  論文  参考訳（メタデータ） (2022-10-27T23:26:57Z)

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。