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

利用深度学习开发基于分子动力学的复杂辐照条件下的回收模型

• 批准号: 22K03572
• 负责人: 齋藤 誠紀
• 金额: $ 2.66万
• 依托单位: Yamagata University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-04-01 至 2026-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K03572/
• 关键词: 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; 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

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。

在实际的核融合反应堆中，氘，trium和氦同时被照射到反应器的壁上。特别是氦气积聚在钨壁中，并形成一个气泡结构（氦气气泡），直径为NM至μm。为了了解原型反应器的外围等离子体行为，了解在形成氦气气泡下的氢回收过程也很重要。另外，有必要开发涵盖各种参数的模型，例如入射能，入射角和材料温度。但是，从计算成本的角度来看，仅使用分子动力学模型涵盖广泛参数。因此，在这项研究中，深度学习模型是由分子动力学模型构建的，其辐照条件和材料条件是输入和输出发出的粒子信息。此外，我们旨在开发一个模型，该模型将从中性粒子传输代码中提供实时可呼叫界面，并在复杂的，动态变化的辐照条件下作为中性粒子传输代码的边界条件提供氢回收过程。今年，我们针对已经开发的碳壁，并致力于建立一个深度学习模型，该模型可以通过分子动力学获得发射的原子和分子的分布，并预测未计算的参数的分布。入射能，材料温度等和H/C值被用作输入，目标材料中氢原子的二维分布在卷积耦合到神经网络以预测发射原子和分子的分布。可以证实，可以以一定程度的准确性预测反射原子的分布。