深度强化学习用于托卡马克聚变堆设计优化
热点事件持续更新
深度强化学习用于托卡马克聚变堆设计优化
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Jinsu Kim 与 Jaemin Seo 提交论文,提出用奖励约束策略优化(RCPO)求解托卡马克聚变堆设计的约束多目标优化问题: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。 作者称,数值结果显示该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。
AI 根据报道生成 · 55 分钟前更新
最新进展11月20日 13:00
用深度强化学习优化核聚变反应堆设计报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv cs.AI用深度强化学习优化核聚变反应堆设计
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。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。