跳到正文
arXiv cs.AI· Jinsu Kim, Jaemin Seo·· 10 小时前AI 评分31

用深度强化学习优化核聚变反应堆设计

Design Optimization of Nuclear Fusion Reactor through Deep Reinforcement Learning

AI 导读

研究采用 Reward-Constrained Policy Optimization(RCPO)实现托卡马克聚变反应堆设计的约束多目标优化,在满足稳定运行所需四项运行极限的前提下,最小化建造成本并追求高能量增益与长能量约束时间。数值结果显示,该深度强化学习方法比其他数据驱动优化方法更高效地找到更多满足运行约束的可行设计。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:在本研究中,我们探讨深度强化学习(DRL)作为一种实用工具,用于托卡马克聚变反应堆设计中的受约束多目标优化。任务是优化设计配置,在满足稳定运行所需的四项运行极限的前提下,最小化建造成本,同时实现高能量增益和长能量约束时间。由于物理与工程评估相互耦合,所得到的目标和约束均为黑箱,这使得用传统搜索策略难以找到最优解。为此,我们针对托卡马克聚变反应堆设计实现了奖励约束策略优化(RCPO)。该方法将多个约束整合到奖励函数中,引导策略趋向可行解,并简化了设计优化过程。数值结果表明,与其他数据驱动的优化方法相比,所提出的基于 DRL 的方法能更高效地找到更多满足运行约束的可行设计,展示了 DRL 在未来高效反应堆设计中的潜力。
评论: 30 页
主题: 等离子体物理(physics.plasm-ph);人工智能(cs.AI);机器学习(cs.LG)
引用为: arXiv:2409.08231 [physics.plasm-ph]
  (或 arXiv:2409.08231v2 [physics.plasm-ph] 查看此版本)
  https://doi.org/10.48550/arXiv.2409.08231

由 DataCite 提供的 arXiv 颁发 DOI

提交历史

来自:Jinsu Kim [查看邮箱]
[v1] 2024 年 9 月 12 日星期四 17:23:01 UTC(1,456 KB)
[v2] 2026 年 11 月 18 日星期三 09:01:40 UTC(2,334 KB)

来源:arXiv cs.AI · arxiv.org