論文の概要: AI Surrogate Modeling for Real-Time Tokamak Equilibrium Prediction: Benchmarking Neural Architectures and Validation on EXL-50U
- arxiv url: http://arxiv.org/abs/2608.23217v1
- Date: Mon, 24 Aug 2026 13:12:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.113636
- Title: AI Surrogate Modeling for Real-Time Tokamak Equilibrium Prediction: Benchmarking Neural Architectures and Validation on EXL-50U
- Title（参考訳）: リアルタイムトカマク平衡予測のためのAIサロゲートモデリング: ニューラルネットワークのベンチマークとEXL-50Uの検証
- Abstract要約: Grad-Shafranov (GS)ソルバは、リアルタイムデプロイメントには高すぎることが多い。
我々は、AIサロゲートフレームワークを開発し、5つのアーキテクチャ(MLP、CNN、FNO、Transformer、Kan)をベンチマークする。
統一されたプロトコルでは、精度、推論効率、モデルスケーリング、堅牢性を評価する。
また,シミュレーションとデバイス間の整合性を評価するために,数値GSソリューション,代理予測,標準形状エディタ参照をリンクすることで,EXL-50Uトカマク上でのデバイスレベルの検証も行う。
- 参考スコア（独自算出の注目度）: 4.587932510254687
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Fast and reliable plasma equilibrium prediction is essential for real-time tokamak operation and control, but conventional Grad-Shafranov (GS) solvers are often too costly for real-time deployment. We develop an AI surrogate framework and benchmark five architectures (MLP, CNN, FNO, Transformer, and KAN) on a numerical GS database with 100,000 IID and 10,000 OOD samples. Under a unified protocol, we evaluate accuracy, inference efficiency, model scaling, and robustness. We also establish device-level validation on the EXL-50U tokamak by linking numerical GS solutions, surrogate predictions, and the standard Shape Editor reference to assess simulation-to-device consistency. The surrogates achieve errors of $10^{-3}$-$10^{-2}$ relative to GS solutions, while the GS-to-device discrepancy remains at $10^{-3}$. Transformer gives the best IID accuracy, whereas CNN offers the best balance of accuracy, robustness, and speed, reaching 0.7 ms TensorRT latency. On unseen plasma geometries and parameter regimes, CNN and FNO show the strongest extrapolation stability, with 4%-5% relative $L_2$ error, while models with weaker inductive biases degrade more substantially. Scaling data and model capacity improves interpolation but not necessarily extrapolation, revealing a trade-off between capacity and OOD generalization. Overall, this work provides a systematic, device-consistent benchmark for AI-based GS prediction and practical guidance for selecting reliable surrogates for real-time plasma control and fusion applications.
- Abstract（参考訳）: 高速で信頼性の高いプラズマ平衡予測は、トカマクの操作と制御には不可欠であるが、従来のGrad-Shafranov (GS)ソルバは、しばしばリアルタイム展開には高すぎる。
我々は10万のIDと1万のOODサンプルを持つ数値GSデータベース上で、AIサロゲートフレームワークと5つのアーキテクチャ(MLP、CNN、FNO、Transformer、Kan)をベンチマークする。
統一されたプロトコルでは、精度、推論効率、モデルスケーリング、堅牢性を評価する。
また,シミュレーションとデバイス間の整合性を評価するために,数値GSソリューション,代理予測,標準形状エディタ参照をリンクすることで,EXL-50Uトカマク上でのデバイスレベルの検証も行う。
サーロゲートはGS解に対して10^{-3}$-$10^{-2}$の誤差を達成するが、GS-to-deviceの差は10^{-3}$のままである。
Transformerは最高のID精度を提供するが、CNNは最高の精度、堅牢性、速度のバランスを提供し、TensorRTレイテンシは0.7msに達する。
CNNとFNOは、未確認のプラズマ測地およびパラメーターレジームにおいて、4%-5%の相対的なL_2$誤差を持つ最も強い外挿安定性を示し、一方、より弱い誘導バイアスを持つモデルは、より大幅に低下する。
データとモデルキャパシティのスケーリングは補間を改善するが、必ずしも外挿は行わず、キャパシティとOOD一般化のトレードオフを明らかにする。
全体として、この研究はAIベースのGS予測のためのシステマティックでデバイス一貫性のあるベンチマークと、リアルタイムプラズマ制御と融合アプリケーションのための信頼性のあるサロゲートを選択するための実践的なガイダンスを提供する。
関連論文リスト
- 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) - Cycle-Consistent and Uncertainty-Aware Neural Surrogates for Tokamak Edge Plasmas [0.040071856451118486]
境界プラズマと変圧器プラズマはトカマクが動力と粒子を排出する方法を支配している。
機械学習のサロゲートは高速な代替手段を提供するが、多くは前方のみである。
本稿では,エッジプラズマに対するサイクル一貫性ニューラルサロゲートを提案する。
論文 参考訳（メタデータ） (2026-07-23T15:06:57Z) - SAGE: Scalable Automated Robustness Augmentation for LLM Knowledge Evaluation [65.49183294872877]
SAGEは,微調整された小型モデルを用いた知識評価ベンチマークのスケーラブルな堅牢性向上のためのフレームワークである。
HellaSwagの実験によると、SAGEは人間に注釈を付けたHellaSwag-Proに匹敵する、大規模な堅牢性向上ベンチマークを、かなり低コストで構築している。
論文 参考訳（メタデータ） (2026-05-12T12:09:05Z) - SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
仮想セル摂動予測のための大規模基盤モデルを提案する。
まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。
第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。
第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
論文 参考訳（メタデータ） (2026-03-18T05:51:08Z) - $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。
本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。
V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:41Z) - 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) - 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) - Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。
BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。
我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
論文 参考訳（メタデータ） (2024-12-03T19:20:08Z) - Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。
トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T13:13:39Z) - Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks [0.1752969190744922]
設計技術の共同最適化(DTCO)は、最適パワー、性能、領域を達成する上で重要な役割を果たす。
本稿では,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
論文 参考訳（メタデータ） (2023-12-20T06:10:27Z)
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。