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2 小时前更新
先了解这件事
AI 综述
韩国研究者Jinsu Kim与Jaemin Seo在arXiv发布论文,提出用深度强化学习(RCPO约束强化学习)对托卡马克聚变反应堆设计进行约束式多目标优化,目标是在满足四项稳定运行限制的前提下最小化建造成本,同时实现高能量增益和长能量约束时间。 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满足运行约束的可行设计方案。
AI 根据报道生成 · 43 分钟前更新
最新进展11月20日 13:00
基于深度强化学习的托卡马克核聚变反应堆设计优化报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv cs.AI基于深度强化学习的托卡马克核聚变反应堆设计优化
一项研究将深度强化学习(DRL)用于托卡马克聚变反应堆的约束式多目标优化设计,目标是在满足四项稳定运行限制的前提下最小化建造成本,同时实现高能量增益和长能量约束时间。
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。