深層学習による分子動力学を基盤とする複合照射条件下リサイクリングモデルの開発
Project/Area Number |
22K03572
|
Research Category |
Grant-in-Aid for Scientific Research (C)
|
Allocation Type | Multi-year Fund |
Section | 一般 |
Review Section |
Basic Section 14020:Nuclear fusion-related
|
Research Institution | Yamagata University |
Principal Investigator |
齋藤 誠紀 山形大学, 大学院理工学研究科, 准教授 (40725024)
|
Co-Investigator(Kenkyū-buntansha) |
中村 浩章 核融合科学研究所, ヘリカル研究部, 教授 (30311210)
|
Project Period (FY) |
2022-04-01 – 2026-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2025: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2024: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2023: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2022: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
|
Keywords | 分子動力学法 / 機械学習 / 並進エネルギー / 畳み込みニューラルネットワーク / 核融合発電 / 水素リサイクリング / 分子活性再結合 / 分子動力学 / 深層学習 |
Outline of Research at the Start |
プラズマの非接触化に伴い、分子活性再結合が周辺プラズマの挙動理解に重要であることが知られてきた。分子過程を考慮した中性粒子輸送を計算実施するためには、炉壁での水素リサイクリング過程を境界条件として課する必要がある。そこで、放出される水素原子・分子の情報(振動・回転・並進エネルギー分布、放出角、放出率の原子・分子比など)を分子動力学に基づき計算する。しかし、入射エネルギー・入射角・材料温度などの膨大なパラメータ域を分子動力学のみで網羅することは計算コストの観点から現実的ではない。そこで、本研究では、照射条件・材料条件を入力し、放出粒子情報を出力する深層学習モデルを分子動力学に基づいて構築する。
|
Outline of Annual Research Achievements |
実際の核融合炉では、重水素・三重水素・ヘリウムが同時に炉壁に照射される。特にヘリウムは、タングステン壁に蓄積し、nmからμmオーダーの直径の気泡構造(ヘリウムバブル)を形成する。原型炉等の周辺プラズマ挙動を理解するためには、ヘリウムバブル形成下における水素リサイクリング過程の理解も重要である。また、入射エネルギー・入射角・材料温度などの多様なパラメータをカバーするモデルの開発が必要となる。しかし、膨大なパラメータ域を分子動力学モデルのみで網羅することは計算コストの観点から現実的ではない。そこで、本研究では、照射条件および材料条件を入力とし、放出粒子情報を出力とする深層学習モデルを分子動力学モデルから構築する。さらに、中性粒子輸送コードからリアルタイムに呼び出し可能なインターフェースを整え、複合的で動的に変化する照射条件下での水素リサイクリング過程を中性粒子輸送コードに境界条件として提供するモデルの開発を目指す。 今年度は、既に開発が完了していた炭素壁の場合をターゲットに、分子動力学方によって得られた放出原子・分子の分布を機械学習し、計算していないパラメータの分布を予測できる深層学習モデルの構築に取り組んだ。入射エネルギー・材料温度等・H/Cの値を入力として全結合型ニューラルネットワークで結合し、さらに、標的材中水素原子の2次元分布を畳み込みニューラルネットワークで結合し、放出原子・分子の分布を予測する。反射原子の分布をある程度の精度で予測できることを確認した。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
炭素壁の場合をターゲットにした機械学習を実施し、放出水素のエネルギー分布を予測できることが確認できたため。同様のネットワークモデルをタングステン壁に適用することで目的を達成できると考えられる。
|
Strategy for Future Research Activity |
炭素壁で成功した機械学習モデルを、タングステン壁に適用する。まずは、タングステン-水素のみの系に適用し、炭素壁と同様に学習が可能か確認する。その後、ヘリウムポテンシャルも導入し、タングステン、水素、ヘリウムが協調する系へ計算スキームを拡張することを目指したい。
|
Report
(1 results)
Research Products
(8 results)