論文の概要: Joint Initialization of Flux Networks and Effective Multiplication Factor for Physics-Informed Neural Networks Solving Neutron Diffusion Problems

• arxiv url: http://arxiv.org/abs/2608.25443v1
• Date: Wed, 26 Aug 2026 06:55:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.642109
• Title: Joint Initialization of Flux Networks and Effective Multiplication Factor for Physics-Informed Neural Networks Solving Neutron Diffusion Problems
• Title（参考訳）: 中性子拡散問題を解く物理インフォームドニューラルネットワークにおけるフラックスネットワークの合同初期化と有効乗算係数
• Abstract要約: 有効乗算係数(keff)の決定の効率は、原子炉核中性子分析において重要な計算課題である。 本研究では, PINNを用いたケフ計算の効率化を目的として, 統合初期化物理情報ニューラルネットワーク(JI-PINN)を提案する。 K-固有値問題に対する低分解能近似解を用いてフラックスネットワークパラメータとケフの合同初期状態を構築する。
• 参考スコア（独自算出の注目度）: 9.327879311316357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient determination of the effective multiplication factor (keff) is an important computational task in reactor core neutronics analysis. Physics-informed neural networks (PINNs) incorporate neutron diffusion equations and boundary conditions into network training to efficiently determine the neutron flux distribution and keff. To further improve the efficiency of keff calculations using PINNs, a Joint Initialization Physics-Informed Neural Network (JI-PINN) is proposed in this work. In this method, a low-resolution approximate solution to the K-eigenvalue problem is used to construct a joint initial state for the flux network parameters and keff, and both are then jointly optimized under physical constraints. The proposed method was validated on a two-dimensional two-group two-material case, the IAEA 2D benchmark, a two-dimensional two-group four-material case, and a three-dimensional single-group case. For these test cases, the total computational time was reduced by 25.4%, 38.2%, 49.4%, and 28.9%, respectively, while comparable solution accuracy was maintained. The occurrence of anomalous results associated with marked deviations of keff from the reference value was also reduced. The proposed method provides a more efficient and robust initialization strategy for solving neutron diffusion K-eigenvalue problem with PINNs.
• Abstract（参考訳）: 有効乗算係数(keff)の効率的な決定は、原子炉核中性子分析において重要な計算課題である。 物理インフォームドニューラルネットワーク(PINN)は、中性子拡散方程式と境界条件をネットワークトレーニングに組み込んで、中性子束分布とケフを効率的に決定する。 本研究では, PINNを用いたケフ計算の効率化を目的として, 統合初期化物理情報ニューラルネットワーク(JI-PINN)を提案する。 この方法では、K固有値問題に対する低分解能近似解を用いて、フラックスネットワークパラメータとケフの合同初期状態を構築し、その両方を物理的制約の下で共同最適化する。 提案手法は, 2次元2群2次元材料ケース, IAEA 2Dベンチマーク, 2次元2群4次元ケース, 3次元1次元ケースで検証した。 これらのテストケースでは、それぞれ25.4%、38.2%、49.4%、28.9%の計算時間を削減した。 また, 基準値からのケフの有意な偏差に伴う異常値の発生も減少した。 提案手法は、中性子拡散K固有値問題をPINNで解くための、より効率的で堅牢な初期化戦略を提供する。

関連論文リスト

• Do physics-informed neural networks (PINNs) need to be deep? Shallow PINNs using the Levenberg-Marquardt algorithm [0.0]
  本研究では、非線形偏微分方程式(PDE)の前方および逆問題に対する浅い物理インフォームドニューラルネットワーク(PINN)の利用について検討する。 提案手法は、バーガーズ、シュルディンガー、アレン・カーン、および3次元ブラトゥー方程式を含むいくつかのベンチマーク問題で検証される。
  論文  参考訳（メタデータ） (2026-02-09T11:05:57Z)
• A Gradient Meta-Learning Joint Optimization for Beamforming and Antenna Position in Pinching-Antenna Systems [63.213207442368294]
  マルチ導波路ピンチアンテナシステムの新しい最適化設計について検討する。 提案したGML-JOアルゴリズムは,既存の最適化手法と比較して,様々な選択や性能に頑健である。
  論文  参考訳（メタデータ） (2025-06-14T17:35:27Z)
• Residual resampling-based physics-informed neural network for neutron diffusion equations [7.105073499157097]
  中性子拡散方程式は原子炉の解析において重要な役割を果たす。 従来のPINNアプローチでは、完全に接続されたネットワーク(FCN)アーキテクチャを利用することが多い。 R2-PINNは、現在の方法に固有の制限を効果的に克服し、中性子拡散方程式のより正確で堅牢な解を提供する。
  論文  参考訳（メタデータ） (2024-06-23T13:49:31Z)
• Current density impedance imaging with PINNs [4.817429789586126]
  CDII-PINNは、Tikhonov正則化の枠組みにおいて、PINNを用いてCDIIを効率よく解く方法である。 数値シミュレーションにより、CDII-PINNは効率が高く、正確で、ノイズレベルが1%$から20%$まで高いことが示されている。
  論文  参考訳（メタデータ） (2023-06-24T07:07:03Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Efficient Bayesian inference using physics-informed invertible neural networks for inverse problems [6.97393424359704]
  物理インフォームド・インバータブルニューラルネットワーク(PI-INN)を利用したベイズ逆問題に対する革新的なアプローチを提案する。 PI-INNはベイズ逆問題に対して正確かつ効率的な生成モデルを提供し、抽出可能な後部密度推定をもたらす。 特定の物理インフォームドディープラーニングモデルとして、PI-INNの主要なトレーニング課題は独立性制約の強化である。
  論文  参考訳（メタデータ） (2023-04-25T03:17:54Z)
• Binarizing Sparse Convolutional Networks for Efficient Point Cloud Analysis [93.55896765176414]
  我々は,効率的な点群解析のためのBSC-Netと呼ばれるバイナリスパース畳み込みネットワークを提案する。 我々は,移動したスパース畳み込みにおけるサイトマッチングに最適なオプションを見つけるために,異なる検索戦略を採用している。 我々のBSC-Netは、我々の厳格なベースラインを大幅に改善し、最先端のネットワーク双対化手法より優れています。
  論文  参考訳（メタデータ） (2023-03-27T13:47:06Z)
• D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
  コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。 このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。 さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
  論文  参考訳（メタデータ） (2023-03-01T10:38:10Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• Solving Partial Differential Equations with Point Source Based on Physics-Informed Neural Networks [33.18757454787517]
  近年では、偏微分方程式(PDE)の解法としてディープラーニング技術が用いられている。 3つの新しい手法でこの問題に対処するための普遍的な解決策を提案する。 提案手法を3つの代表的PDEを用いて評価し,提案手法が既存の深層学習手法よりも精度,効率,汎用性に優れていたことを示す。
  論文  参考訳（メタデータ） (2021-11-02T06:39:54Z)
• dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
  ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。 我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
  論文  参考訳（メタデータ） (2021-03-15T19:14:41Z)

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。