論文の概要: Generative modeling for fusion: a large-scale benchmark of stellarator fast-ion simulations

• arxiv url: http://arxiv.org/abs/2610.37910v1
• Date: Tue, 27 Oct 2026 19:47:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.324578
• Title: Generative modeling for fusion: a large-scale benchmark of stellarator fast-ion simulations
• Title（参考訳）: 融合のための生成モデル:ステラレータ高速イオンシミュレーションの大規模ベンチマーク
• Abstract要約: 本稿では,中心シミュレーション結果とトラジェクトリを組み合わせたステラレータ設計のデータセットであるStellarator Simulations (BoSS) のベンチマークを紹介する。 BoSSは案内中心シミュレーションの最初の大規模データセットであり、180,000の異なる磁気流体平衡のシミュレーションデータを含んでいる。 粒子閉じ込めを有するステラレータを設計するための生成モデルと、ステラレータ熱沈着パターンと粒子軌道の予測のための代理モデルである。
• 参考スコア（独自算出の注目度）: 6.200567406215192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stellarators offer a promising magnetic confinement approach for achieving controlled nuclear fusion. However, stellarator design remains challenging, as evaluating configuration performance requires computationally expensive, high-fidelity simulations. In particular, key performance metrics derived from guiding center simulations are costly to include directly in the design optimization loop, and are almost exclusively used as diagnostics. Machine learning has the potential to advance fusion research by enabling rapid generation and evaluation of new stellarator configurations. Effectively applying ML for fusion demands large-scale datasets that capture both design diversity and high-fidelity simulation outputs. In this work, we introduce the Benchmark of Stellarator Simulations (BoSS), a dataset of stellarator designs paired with guiding center simulation results and trajectories. The BoSS is the first large-scale dataset of guiding center simulations, containing simulation data for 180,000 distinct magnetohydrodynamic equilibria spanning a wide range of magnetic geometries and confinement properties. To exemplify the utility of ML to accelerate stellarator design, we formulate and address two sets of modeling tasks: generative modeling for designing stellarators with good particle confinement, and surrogate modeling for predicting stellarator heat deposition patterns and particle trajectories. The tasks reveal the potential impact ML can have in the stellarator field and important opportunities to improve the applicability of ML models in the sciences. Our baselines generate diverse, performant stellarators and provide useful surrogate predictions, and point to long-horizon trajectory forecasting and out-of-distribution generation as key directions for future work. The BoSS can be accessed through https://boss.flatironinstitute.org/.
• Abstract（参考訳）: ステラレータは、制御された核融合を達成するための有望な磁気閉じ込めアプローチを提供する。 しかし、構成性能の評価には計算コストが高く、高忠実度シミュレーションが必要であるため、ステラレータの設計は依然として困難である。 特に、ガイドセンタシミュレーションから得られた重要なパフォーマンス指標は、設計最適化ループに直接組み込むのに費用がかかり、診断にはほとんど使われていない。 機械学習は、新しいステラレータ構成の迅速な生成と評価を可能にすることにより、融合研究を前進させる可能性がある。 効果的にMLを融合に適用するには、設計の多様性と高忠実度シミュレーション出力の両方をキャプチャする大規模なデータセットが必要である。 本稿では,中心シミュレーション結果と軌跡とを組み合わせたステラレータ設計のデータセットである Benchmark of Stellarator Simulations (BoSS) を紹介する。 BoSSは誘導中心シミュレーションの最初の大規模データセットであり、広範囲の磁気幾何学と閉じ込め特性にまたがる180,000の異なる磁気流体平衡のシミュレーションデータを含んでいる。 本研究では, ステラレータ設計を高速化するためのMLの有用性を実証するために, 優れた粒子閉じ込めを有するステラレータを設計するための生成モデリングと, ステラレータ熱沈着パターンと粒子軌道の予測のための代理モデリングの2つのモデルタスクを定式化し, 対処する。 これらの課題は、MLがステラレータ領域にもたらす潜在的影響と、科学におけるMLモデルの適用性を改善する重要な機会を明らかにする。 本研究のベースラインは,多種多様で高性能なステラレータを発生させ,サロゲート予測に有用であり,長期軌道予測とアウト・オブ・ディストリビューション生成を今後の作業の鍵となる方向としている。 BoSSはhttps://boss.flatironinstitute.org/からアクセスできる。

関連論文リスト

• Diffusion for Fusion: Designing Stellarators with Generative AI [0.27998963147546135]
  我々は、高品質なステラレータ設計を迅速に生成する、機械学習コミュニティに逆問題を提示した。 我々は、quiSRデータベースのデータに基づいて条件拡散モデルを訓練し、望ましい特性を持つ準対称ステラレータの設計を生成する。 生成したステラレータの多くは, 準対称性および目標特性から5%未満の偏差を示す。
  論文  参考訳（メタデータ） (2025-11-25T16:17:12Z)
• Self-supervised Synthetic Pretraining for Inference of Stellar Mass Embedded in Dense Gas [0.1753733541634709]
  機械学習は複雑な構造を恒星質量に結びつけることができるが、高解像度のシミュレーションから、大きな高品質のラベル付きデータセットを必要とする。 自己教師型フレームワークDINOv2を用いて,100万枚の合成フラクタル画像上に視覚変換器を事前学習することにより,この問題に対処する。 以上の結果から, 合成プレトレーニングは, 同じ限られたシミュレーションでトレーニングした教師付きモデルよりも, 若干の精度で, 凍結状態の回帰星質量予測を改善することが示唆された。
  論文  参考訳（メタデータ） (2025-10-28T07:55:34Z)
• ConStellaration: A dataset of QI-like stellarator plasma boundaries and optimization benchmarks [34.506008976341185]
  種々のQI様ステラレータプラズマ境界形状と理想的な磁気流体力学(MHD)平衡のオープンデータセットを公表した。 すべてのベンチマークに対して、古典的な最適化手法に基づいた参照コード、評価スクリプト、強力なベースラインを提供します。 データセットでトレーニングされた学習モデルが、新しく実現可能な構成を効率的に生成する方法を示します。
  論文  参考訳（メタデータ） (2025-06-24T12:49:00Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• ASURA-FDPS-ML: Star-by-star Galaxy Simulations Accelerated by Surrogate Modeling for Supernova Feedback [0.7324709841516586]
  代理モデルによって加速される新しい高分解能銀河シミュレーションを導入し、計算コストを約75%削減する。 Zero Age Main Sequence mass of about 10 $mathrmM_odot$ explosion as core-collapse supernovae (CCSNe) 計算コストを削減し,物理スケールギャップを効果的に橋渡しし,マルチスケールシミュレーションを可能にする。
  論文  参考訳（メタデータ） (2024-10-30T18:00:02Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
  我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。 データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。 MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
  論文  参考訳（メタデータ） (2023-06-14T21:26:31Z)

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。