論文の概要: Physics-Informed Neural Networks to Infer the Perpendicular Energy Conductivity in the Scrape-Off Layer of Stellarator Devices

• arxiv url: http://arxiv.org/abs/2609.11628v1
• Date: Thu, 10 Sep 2026 14:40:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.401939
• Title: Physics-Informed Neural Networks to Infer the Perpendicular Energy Conductivity in the Scrape-Off Layer of Stellarator Devices
• Title（参考訳）: ステラレータのスクレイプオフ層における垂直エネルギー伝導率推定のための物理インフォームニューラルネットワーク
• Abstract要約: 本研究では, 垂直熱伝導率のプラズマ密度と温度依存性を推定するために, 逆物理情報ニューラルネットワークフレームワークを開発した。 所定の導電関数から生成された合成データを用いて、この枠組みを検証する。 トレーニングに使用するプラズマプロファイル数とプロファイル毎の放射計測位置数のスキャンにより、再構成精度とデータ可用性のトレードオフを実際に確認する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we develop an inverse Physics-Informed Neural Network (PINN) framework to infer the dependence of the scrape-off layer (SOL) perpendicular heat conductivity on plasma density and temperature, $κ_\perp(n,T)$. The method combines radial profile measurements of electron density and temperature with the residual of a reduced one-dimensional SOL transport equation, so that the inferred conductivity is constrained by both the measurements and the underlying transport model. Three neural networks are trained simultaneously: two reconstruct the temperature and density profiles as functions of the radial coordinate and transported power, while a third represents the effective conductivity as a function of the local density and temperature. The framework is first validated using synthetic data generated from a prescribed conductivity function, allowing the inferred $κ_\perp(n,T)$ to be compared directly with the ground truth. The model recovers the imposed functional dependence with errors below $10~\%$ in the data-constrained region. Bootstrap resampling is shown to provide a practical indicator of prediction reliability and consistency. A scan in the number of plasma profiles used for training and the number of radial measurement positions per profile identifies a practical trade-off between reconstruction accuracy and data availability. Finally, the method is applied to an experimental dataset from the TJ-II stellarator obtained with the helium-beam diagnostic. This exploratory application provides an initial estimate of the effective SOL conductivity and illustrates the potential of inverse PINNs for extracting transport information from plasma edge measurements.
• Abstract（参考訳）: 本研究では,プラズマ密度と温度に対する垂直熱伝導率,κ_\perp(n,T)$に対するスクラップオフ層(SOL)の依存性を推定する逆物理情報ニューラルネットワーク(PINN)フレームワークを開発した。 この方法は、電子密度と温度の放射状プロファイル測定と1次元のSOL輸送方程式の残差を組み合わせることで、測定値と下層の輸送モデルの両方によって、推定導電率を制約する。 3つのニューラルネットワークは同時に訓練される: 2つは放射座標と輸送電力の関数として温度と密度プロファイルを再構成し、3つは局所密度と温度の関数として効果的な導電率を表す。 このフレームワークは、所定の導電関数から生成された合成データを用いて最初に検証され、推定された$κ_\perp(n,T)$を基底真実と直接比較することができる。 このモデルは、データ制約領域で10〜\%以下のエラーで強制された機能依存を回復する。 ブートストラップ再サンプリングは、予測信頼性と一貫性の実践的な指標を提供する。 トレーニングに使用するプラズマプロファイル数とプロファイル毎の放射計測位置数のスキャンにより、再構成精度とデータ可用性のトレードオフを実際に確認する。 最後に、ヘリウムビーム診断により得られたTJ-IIステラレータの実験データセットに適用する。 この探索的応用は、有効SOL導電率の初期推定を提供し、プラズマエッジ測定から輸送情報を抽出するための逆PINNの可能性を示す。

関連論文リスト

• A hybrid analytical-PINN model for subsurface simulation of geothermal heat exchangers in heterogeneous underground [0.0]
  本研究では,単位熱抽出率の単一ボアホールに対して,普遍的な補正器を近似する物理インフォームドニューラルネットワークを提案する。 3つの異なる解析モデルに基づいて,提案手法の有効性を示す数値実験を行った。
  論文  参考訳（メタデータ） (2026-07-14T02:17:30Z)
• Physics-Informed Machine Learning for Pouch Cell Temperature Estimation [5.435523531334183]
  本稿では,定常状態の温度分布を効率的に推定するための物理インフォームド・機械学習(PIML)フレームワークを提案する。 PIMLアプローチは、制御熱伝達方程式を直接ニューラルネットワークの損失関数に統合し、高忠実度予測を可能にする。 その結果、PIMLモデルはより高速に収束し、データ駆動モデルよりも平均2乗誤差を49.1%削減し、極めて高い精度を達成することが示された。
  論文  参考訳（メタデータ） (2026-04-16T02:58:10Z)
• Physics-Informed Neural Network Digital Twin for Dynamic Tray-Wise Modeling of Distillation Columns under Transient Operating Conditions [0.0]
  デジタルツイン技術は、産業プロセスの監視、制御、最適化のための変換機能を提供する。 本研究は, 過渡条件下で動作する2次蒸留塔の動的, トレイワイドなモデリングのための物理インフォームドニューラルネットワーク(PINN)デジタルツインフレームワークを提案する。 提案したPINNデジタルツインは, 工業蒸留プロセスにおけるリアルタイムソフトセンシング, モデル予測制御, 異常検出のための堅牢な基盤として確立された。
  論文  参考訳（メタデータ） (2026-03-25T14:45:35Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Decoupled Diffusion Sampling for Inverse Problems on Function Spaces [73.52103661482242]
  既存のプラグ・アンド・プレイ拡散後サンプリングは係数ジョイント・ソリューション・モデリングを通じて物理を暗黙的に表現する。 逆PDE問題に対する関数空間における物理認識型生成フレームワークを提案する。 我々の解答拡散逆ソルバー(DDIS)は、非条件拡散が事前に係数を学習し、ニューラル演算子はガイダンスのためにフォワードPDEを明示的にモデル化する。
  論文  参考訳（メタデータ） (2026-01-30T18:54:49Z)
• Physics Informed Neural Networks for design optimisation of diamond particle detectors for charged particle fast-tracking at high luminosity hadron colliders [70.66815108184498]
  将来の高輝度ハドロン衝突装置は、極端放射線耐性、空間精度、ナノ秒以下のタイミングで追跡検出器を必要とする。 3Dダイヤモンドのピクセルセンサーは、ダイヤモンドの放射硬度とキャリアの移動性のために、これらの機能を提供する。 我々は、マクスウェル方程式の準定常近似として導かれた3次、3+1D PDEを用いて、この現象をモデル化する。
  論文  参考訳（メタデータ） (2025-09-25T13:09:28Z)
• Revisiting Heat Flux Analysis of Tungsten Monoblock Divertor on EAST using Physics-Informed Neural Network [13.813339681786644]
  核融合装置EASTにおける熱フラックスの推定は極めて重要な課題である。 FEMは計算のグリッドベースのサンプリングに依存しており、計算的に非効率であり、リアルタイムのシミュレーションを行うのが困難である。 本稿では,この課題に対処する新しい物理情報ニューラルネットワーク(PINN)を提案する。
  論文  参考訳（メタデータ） (2025-08-05T12:42:02Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Deep Learning assisted microwave-plasma interaction based technique for plasma density estimation [1.4680035572775534]
  本稿では,マイクロ波-プラズマ相互作用に基づく非侵襲的診断を支援するDeep Learning (DL)を提案する。 プラズマからのマイクロ波散乱による電界パターンを利用して密度分布を推定する。 得られた結果から,線状プラズマ装置の密度の2次元半径分布を推定する上で有望な性能を示した。
  論文  参考訳（メタデータ） (2023-04-28T12:27:23Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Adiabatic Sensing Technique for Optimal Temperature Estimation using Trapped Ions [64.31011847952006]
  捕捉イオンを用いた最適なフォノン温度推定のための断熱法を提案する。 フォノンの熱分布に関する関連する情報は、スピンの集合的な自由度に伝達することができる。 それぞれの熱状態確率は、各スピン励起構成に近似的にマッピングされることを示す。
  論文  参考訳（メタデータ） (2020-12-16T12:58:08Z)

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。