論文の概要: Real-time virtual circuits for plasma shape control via neural network emulators: integration and testing in the MAST-U PCS
- arxiv url: http://arxiv.org/abs/2608.26216v1
- Date: Wed, 26 Aug 2026 09:59:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.124671
- Title: Real-time virtual circuits for plasma shape control via neural network emulators: integration and testing in the MAST-U PCS
- Title（参考訳）: ニューラルネットワークエミュレータによるプラズマ形状制御のためのリアルタイム仮想回路:MAST-U PCSの統合とテスト
- Abstract要約: MAST-U(MAST-U)PCS環境におけるプラズマ形状制御のためのニューラルネットワークエミュレーション仮想回路の統合とテストについて述べる。
ニューラルネットワークモデルは、プラズマ電流、水球磁場コイル電流、プラズマプロファイルパラメータを用いてプラズマ形状を予測する。
- 参考スコア（独自算出の注目度）: 1.5858910567286892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deployment of advanced, AI-enabled control algorithms in tokamak experiments requires robust integration with existing plasma control system (PCS) architectures and extensive pre-experimental validation. In this contribution, we describe the integration and testing of neural-network-emulated virtual circuits for plasma shape control within the MAST Upgrade (MAST-U) PCS environment. The neural network models predict the plasma shape using the plasma current, poloidal field coil currents, and plasma profile parameters. In this paper, we explain how they are deployed via a real-time C++ inference server that interfaces with the PCS, returning the shape prediction and its Jacobian, and how, from the latter, virtual circuit matrices and updated coil current requests are computed for real-time actuation. Emphasis is placed on the validation workflow and best practices adopted to ensure confidence in the proposed control framework prior to experimental deployment. This work demonstrates practical AI-based shape control components for fusion control systems, with direct relevance for upcoming MAST-U experiments and future devices.
- Abstract（参考訳）: トカマク実験における高度なAI対応制御アルゴリズムの展開には、既存のプラズマ制御システム(PCS)アーキテクチャとの堅牢な統合と、広範な事前実験の検証が必要である。
本稿では、MAST-U(MAST-U)PCS環境におけるプラズマ形状制御のためのニューラルネットワークエミュレートされた仮想回路の統合とテストについて述べる。
ニューラルネットワークモデルは、プラズマ電流、水球磁場コイル電流、プラズマプロファイルパラメータを用いてプラズマ形状を予測する。
本稿では,PCSと対話し,形状予測とヤコビアンを返却するリアルタイムC++推論サーバを介し,仮想回路行列と更新コイル電流要求をリアルタイムに演算する方法を説明する。
試験的なデプロイ前に提案されたコントロールフレームワークの信頼性を確保するため、バリデーションワークフローとベストプラクティスが重視される。
この研究は、核融合制御システムのための実用的なAIベースの形状制御コンポーネントを実証し、今後のMAST-U実験と将来のデバイスに直接的な関連性を示す。
関連論文リスト
- Real-time virtual circuits for plasma shape control via neural network emulators: experimental demonstration on MAST Upgrade [1.297149381304018]
トカマクにおける従来のプラズマ形状制御は、線形化からオフラインで計算される仮想回路(VC)に依存している。
プリセットされたルックアップテーブルを、プラズマ応答のサロゲートを使用して、リアルタイムで更新されたVCに置き換える。
これらの結果は、トカマクにおける従来のプラズマ形状制御の実践的拡張として、リアルタイム線形化の実験的実現可能性を確立した。
論文 参考訳（メタデータ） (2026-08-28T15:55:27Z) - Real-time virtual circuits for plasma shape control via neural network emulators [0.38186458149494623]
我々は,MAST-U運用空間のかなりの部分を網羅する,100万以上のシミュレーションGS平衡の広範なライブラリを開発した。
我々は,エミュレートされたVCの広範囲な検証を行い,制御問題を解き放つかどうかを検証した。
この研究は、事前計算されたVCのスケジュールに対するスケーラブルで一般的な代替手段として、エミュレートされたVCの物理的妥当性を確立する。
論文 参考訳（メタデータ） (2026-05-14T15:15:43Z) - Gym-TORAX: Open-source software for integrating RL with plasma control simulators [1.226598527858578]
Gym-TORAXは、強化学習環境の実装を可能にするPythonパッケージである。
Gym-TORAXは、プラズマ力学をシミュレートするためのTORAXをラップする体育館環境を作成する。
現在のバージョンでは、国際熱核実験炉(ITER)の上昇シナリオに基づいて、1つの環境が容易に利用可能である。
論文 参考訳（メタデータ） (2025-10-13T11:16:25Z) - Hybrid Fourier Neural Operator-Plasma Fluid Model for Fast and Accurate Multiscale Simulations of High Power Microwave Breakdown [2.202064335120138]
微分方程式に基づくプラズマ流体解法とFNOの計算効率を組み合わせたハイブリッドモデリング手法を提案する。
FNOは、社内のプラズマ流体解決器からのデータに基づいて、計算コストの高いEMフィールド更新を置き換える。
我々の研究は、そのようなハイブリッドパイプラインが、既存のCベースのシミュレーションコードをPythonベースの機械学習フレームワークとシームレスに統合するためにどのように使用できるかを実証している。
論文 参考訳（メタデータ） (2025-09-06T18:24:33Z) - Real-Time Applicability of Emulated Virtual Circuits for Tokamak Plasma Shape Control [0.40631409309544836]
形状エミュレータのジャコビアンを用いて計算したVCからの目標変位の一致を定量化する。
我々は、直接リアルタイムで測定されず、通常、効果的な「整形電流」として仮定される容器電流の効果に対処する。
アクティブコイル電流測定の追従窓上で, 簡単な線形回帰により整流電流を推定できることを実証した。
論文 参考訳（メタデータ） (2025-09-01T21:37:48Z) - Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。
本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。
受け入れ次第、モデルとデータの両方をリリースすることを約束します。
論文 参考訳（メタデータ） (2025-05-25T01:27:18Z) - Applying generative neural networks for fast simulations of the ALICE (CERN) experiment [0.0]
この論文は、CERNのゼロ・デグレ・カロリメータ(ZDC)中性子検出器の高速シミュレーションのための生成ニューラルネットワークへの最先端の応用について研究している。
GEANT Monte Carlo ツールキットを用いた従来のシミュレーション手法は正確ではあるが、計算的に要求される。
この論文は、コンピュータビジョンにおけるニューラルネットワークの適用、機械学習を用いた高速シミュレーション、高エネルギー物理学における生成ニューラルネットワークに関する包括的な文献レビューを提供する。
論文 参考訳（メタデータ） (2024-07-10T17:08:59Z) - Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。
資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。
これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
論文 参考訳（メタデータ） (2024-04-08T20:02:19Z) - Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。
深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。
我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。
FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
論文 参考訳（メタデータ） (2023-11-10T10:05:00Z) - End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。
エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-03T10:21:53Z) - Cloud on-demand emulation of quantum dynamics with tensor networks [48.7576911714538]
プログラム可能なアナログ量子処理ユニット(QPU)を模擬したテンソルネットワークに基づくエミュレータを導入する。
ソフトウェアパッケージは、HPCクラスタ上でジョブを実行し、それらをQPUデバイスにディスパッチするための共通インターフェースを提供するクラウドプラットフォームに完全に統合されている。
論文 参考訳（メタデータ） (2023-02-10T14:08:05Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳（メタデータ） (2022-03-15T09:38:15Z) - Delayed Propagation Transformer: A Universal Computation Engine towards
Practical Control in Cyber-Physical Systems [68.75717332928205]
マルチエージェント制御はサイバー物理システムにおいて中心的なテーマである。
本稿では,CPSのグローバルモデリングを専門とするトランスフォーマーモデルを提案する。
物理的な制約帰納バイアスが設計に組み込まれているため、DePTは幅広い種類のマルチエージェントシステムにプラグアンドプレイする準備ができています。
論文 参考訳（メタデータ） (2021-10-29T17:20:53Z)
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。