聚变反应堆中氚增殖比的快速回归

氚增殖比（TBR）是现代及下一代 D-T 燃料核聚变反应堆设计中的关键量。TBR 表示包层（breeding blankets）中生成的氚燃料与反应堆运行期间消耗的燃料之比，其以复杂方式依赖于反应堆几何与材料性质。在本工作中，我们探索了替代模型（surrogate models）的训练，以对英国原子能管理局（UK Atomic Energy Authority）在用的蒙特卡洛 TBR 模型产生廉价而高质量的近似。我们研究了其特征空间降维的可能性，回顾了 9 类替代模型以评估潜在适用性，并进行了超参数优化。在此我们给出这些模型的性能与缩放特性，其中最快者——一个人工神经网络——达到了 $R^2=0.985$ 与平均预测时间 $0.898\ \mu\mathrm{s}$，相对于昂贵的 MC 模型实现了 $8\cdot 10^6$ 倍的加速。我们进一步提出了一种新颖的自适应采样算法，质量自适应替代采样（Quality-Adaptive Surrogate Sampling），能够与任一被单独研究的替代模型接口。我们在一个玩具 TBR 理论上的初步测试已证明该算法在加速替代建模过程中的有效性。