論文の概要: Co4ICF: Co-evolving Physics-Informed Surrogate and RL-based Pulse Optimizer for Inertial Confinement Fusion

• arxiv url: http://arxiv.org/abs/2607.10366v1
• Date: Sat, 11 Jul 2026 15:43:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.403496
• Title: Co4ICF: Co-evolving Physics-Informed Surrogate and RL-based Pulse Optimizer for Inertial Confinement Fusion
• Title（参考訳）: Co4ICF:Inertial Confinement Fusionのための物理インフォームサロゲートとRLベースのパルス最適化器の共進化
• Abstract要約: Co4ICFは物理インフォームされたサロゲートとPPOベースのパルスを結合する共進化フレームワークである。 1D Multi環境では、Co4ICFは現在のレーザー設計ベースラインに基づいて146.1%の正規化収率を達成する。 将来のベンチマークをサポートするため,大規模マルチIFEシミュレーションデータセットをリリースする。
• 参考スコア（独自算出の注目度）: 43.450233708268684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Offline-trained surrogates for Inertial Confinement Fusion (ICF) suffer a well-known failure mode that iterative optimizers drive inputs into out-of-distribution (OOD) regions where predictions become unreliable. Here we present Co4ICF, a co-evolving framework that couples a physics-informed surrogate with a PPO-based pulse optimizer. The surrogate is iteratively fine-tuned on policy-induced trajectories, correcting extrapolation errors as the optimizer shifts the input distribution; the optimizer queries this evolving surrogate as a fast environment. In the 1D MULTI environment, Co4ICF achieves 146.1% normalized yield based on current laser design baseline; as a post-hoc cross-fidelity check, the optimized pulse further attains 246.9% normalized yield when directly evaluated in 2D-MULTI without any 2D training or fine-tuning. Budget-matched ablations support that the gains are not explained solely by additional simulation data and are consistent with the co-evolving mechanism playing a key role. We release a large-scale MULTI-IFE simulation dataset to support future benchmarking.
• Abstract（参考訳）: Inertial Confinement Fusion (ICF) のためのオフライン訓練されたサロゲートは、予測が信頼できないOOD(out-of-distribution)領域への入力を反復オプティマイザが駆動する、よく知られた障害モードに苦しむ。 ここでは、物理インフォームドサロゲートとPPOベースのパルスオプティマイザを結合した共進化フレームワークであるCo4ICFを紹介する。 シュロゲートはポリシーによって引き起こされる軌道を反復的に微調整し、オプティマイザが入力分布をシフトするときに外挿誤差を補正する。 1D Multi環境では、Co4ICFは現在のレーザー設計基準に基づいて146.1%の正規化収率を達成する。 予算整合は、利得は追加のシミュレーションデータだけでは説明されず、重要な役割を果たす共進化機構と一致することを支持します。 我々は,将来のベンチマークをサポートするため,大規模マルチIFEシミュレーションデータセットをリリースする。

関連論文リスト

• A FEM-Based Surrogate Modelling and Optimization Framework for Physics-Constrained Electromagnetic Coil Design [2.6205603301997855]
  Python-MPh-COMSOLワークフローは、2次元軸対称有限要素法(FEM)とMatern 5/2 Gaussian-process (GP)確率的サロゲートを結合する。 共通の総電流における選択された設計チェックは、観測されたBOBYQA--COBYLA--EI-BO順序を保存する。
  論文  参考訳（メタデータ） (2026-08-19T13:27:15Z)
• Kastor: An efficient fine-tuning strategy for generative emulation of PDE simulations [14.561544063927228]
  本稿では,決定論的物理基礎モデルを高効率かつ高精度な生成サロゲートに適応するための包括的方法論を提案する。 まず,大規模な因果的自己回帰モデルと非因果的時間的超解像ネットワークを組み合わせた2段階推論手法を提案する。 第2に,Nullノイズ条件下での定性分布平均を予測するために生成モデルを制約する新たな学習目標である平均予測正則化(MPR)を提案する。
  論文  参考訳（メタデータ） (2026-08-06T14:41:11Z)
• ParetoPilot: Zero-Surrogate Offline Multi-Objective Optimization via Infer-Perturb-Guide Diffusion [28.29207284864795]
  オフラインMOOのための新しいゼロ代理拡散フレームワークを提案する。 パーターブガイドエンジンは、逆生成プロセスの無条件復調ステップ内でシームレスにインターリーブされる。 当社のアプローチは,超ボリューム改善を実現しつつ,データのプライバシを保護します。
  論文  参考訳（メタデータ） (2026-06-03T05:27:21Z)
• Support-Proximity Augmented Diffusion Estimation for Offline Black-Box Optimization [17.43522044331905]
  本研究では,SPADE(Support-Proximity Augmented Diffusion Estimation)を提案する。 本研究では,SPADE が Design-Bench タスクと LLM データ混合最適化ベンチマークを用いて,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-05-11T21:09:28Z)
• LFPO: Likelihood-Free Policy Optimization for Masked Diffusion Models [48.68246945083386]
  Likelihood-Free Policy Optimization (LFPO) は、ベクトル場フローの概念を離散トークン空間にマッピングするネイティブフレームワークである。 LFPOは幾何速度補正としてアライメントを定式化し、対照的な更新によって直接対流を最適化する。 実験によると、LFPOはコードと推論ベンチマークの最先端のベースラインを上回るだけでなく、拡散ステップの削減によって推論を約20%加速する。
  論文  参考訳（メタデータ） (2026-03-02T07:42:55Z)
• Efficient Tail-Aware Generative Optimization via Flow Model Fine-Tuning [40.79705260303773]
  下流のユーティリティを最適化するための微調整済みの拡散とフローモデルが、現実のデプロイメントの中心である。 CVaR(Conditional Value-at-Risk)に基づく,原理的かつ効率的な分散微調整アルゴリズムTFFTを提案する。
  論文  参考訳（メタデータ） (2026-02-18T19:00:59Z)
• Beyond VLM-Based Rewards: Diffusion-Native Latent Reward Modeling [58.59644539594293]
  DiNa-LRMは、雑音拡散状態に基づいて好み学習を直接定式化する拡散ネイティブ潜在報酬モデルである。 本手法は拡散ノイズ依存の不確実性を伴う雑音校正サーストンの可能性を導入する。 画像アライメントベンチマーク全体において、DiNa-LRMは既存の拡散ベースの報酬ベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-02-11T18:57:29Z)
• Bifidelity Karhunen-Loève Expansion Surrogate with Active Learning for Random Fields [0.4899818550820576]
  本稿では、不確実な入力条件下で、フィールド値の利子(QoIs)に対する二元性カルフネン・ローブ拡張(KLE)サロゲートモデルを提案する。 我々は,サロゲートの一般化誤差に基づいて,新しいHF評価を適応的に選択する能動的学習戦略を形成する。 新しいHFサンプルは、高いサロゲート誤差の領域をターゲットとして、期待される改善基準を最大化することによって取得される。
  論文  参考訳（メタデータ） (2025-11-05T04:14:44Z)
• DiffusionNFT: Online Diffusion Reinforcement with Forward Process [99.94852379720153]
  Diffusion Negative-aware FineTuning (DiffusionNFT) は、フローマッチングを通じて前方プロセス上で直接拡散モデルを最適化する新しいオンラインRLパラダイムである。 DiffusionNFTは、CFGフリーのFlowGRPOよりも25倍効率が高い。
  論文  参考訳（メタデータ） (2025-09-19T16:09:33Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)

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。