通过深度强化学习优化核聚变反应堆设计
等离子体物理
2024-09-13 v1 人工智能
机器学习
摘要
本研究探讨了应用深度强化学习（DRL）来优化核聚变反应堆设计。DRL 能够有效解决归因于稳态运行的多物理和工程约束的挑战性问题。开发了适用于与 DRL 并行化的聚变反应堆设计计算和优化代码。所提出的框架能够找到满足运行要求同时降低建造成本的最优反应堆设计。DRL 简化了聚变反应堆的多目标设计优化，表明所提出的框架在推进未来反应堆的高效和可持续设计方面具有巨大潜力。
引用
@article{arxiv.2409.08231,
title = {Design Optimization of Nuclear Fusion Reactor through Deep Reinforcement Learning},
author = {Jinsu Kim and Jaemin Seo},
journal= {arXiv preprint arXiv:2409.08231},
year = {2024}
}
备注
16 pages