Core Concepts
深層学習オペレーターネットワーク(DeepONet)は、原子力システムのデジタルツインにおける堅牢な代替モデリング手法として有望である。DeepONetは、高精度な予測と計算効率に優れ、従来の機械学習手法を凌駕する。
Abstract
本研究は、原子力システムのデジタルツイン(DT)における深層学習オペレーターネットワーク(DeepONet)の有効性を示している。DeepONetは、入力関数を取り扱い、システム内のオペレーターを構築する能力を持つ。
実験では、DeepONetを用いて、迷路内の2次元空間における中性子フラックスの分布を予測するサロゲートモデルを構築した。DeepONetは、従来の機械学習手法であるFCNやCNNよりも優れた予測精度を示した。特に、入力関数の変化に対するDeepONetの頑健性が際立っている。
一方で、最適なセンサ配置の影響や、モデル評価プロセスの改善など、実用化に向けた課題も明らかになった。これらの課題に取り組むことで、DeepONetはデジタルツイン・システムにおいてより強力なツールとなる可能性がある。全体として、本研究はDeepONetの原子力工学への適用可能性を示し、デジタルツイン技術の発展に寄与するものである。
Stats
1つのPHITSシミュレーションには約30秒かかるが、DeepONetモデルは0.02秒で実行できる。
DeepONetモデルのR2スコアは0.99以上を達成し、RMSEとMAEは10%以内に収まる。
一部の入力関数に対してDeepONetモデルの予測精度が低下する傾向がある。
Quotes
"DeepONetは、入力関数を取り扱い、システム内のオペレーターを構築する能力を持つ。"
"DeepONetは、従来の機械学習手法であるFCNやCNNよりも優れた予測精度を示した。"
"最適なセンサ配置の影響や、モデル評価プロセスの改善など、実用化に向けた課題も明らかになった。"