强化学习反应堆优化基准

Mar, 2024

Reactor Optimization Benchmark by Reinforcement Learning

Deborah Schwarcz, Nadav Schneider, Gal Oren, Uri Steinitz

TL;DR在核反应堆优化中，引入了适用于强化学习的 OpenNeoMC 框架的新型基准问题，通过蒙特卡洛方法和机器学习技术的结合，提出了在具有不同物理区域的单元反应堆中优化中子通量的挑战，通过演化算法和神经进化算法的模拟，证明了强化学习在复杂优化中的有效性，并提议了 OpenNeoMC 框架中的加速技术来加快模拟时间。

Abstract

neutronic calculations for reactors are a daunting task when using Monte Carlo (MC) methods. As high-performance computing has advanced, the simulation of a reactor is nowadays more readily done, but design and optimization with multiple parameters is still a computational challenge. M

neutronic calculations monte carlo methods machine learning nuclear reactor optimization reinforcement learning

发现论文，激发创造

核电站燃料优化的强化学习算法评估

本研究致力于通过使用深度强化学习中的近端策略优化算法，研究多重约束下核燃料 loading pattern 的最佳优化方法，并通过实验结果展示其优越性。

May, 2023

微反应器中的多步临界性搜索和功率整形的强化学习

通过使用深度强化学习技术，本研究在核微堆设计的高保真模拟中使用 PPO 和 A2C 算法，训练智能控制代理器以寻找最佳控制策略，以降低运营和维护成本，并实现自主运行。

Jun, 2024

基于机器学习辅助的多保真贝叶斯优化与 CFD 耦合方法发现新型反应器设计

通过添加制造技术，我们提出了两种新型的螺旋管参数化模型，用于在更广泛的设计空间中寻找优化解。通过最大化塞流性能，我们确定了优化反应器设计的关键特征，并将其推广到 3D 打印并进行了实验验证。

Aug, 2023

强化学习增强的 Pareto 包络：大规模受限压水堆优化的多目标强化学习方法

通过引入 PEARL 方法，该论文解决了多目标问题在工程学领域中评估候选解的耗时问题，并通过学习单一策略替代传统基于策略的多目标强化学习方法，实现了同时解决简单子问题而无需多个神经网络的目标。

Dec, 2023

应用强化学习鉴定量子热机中的最优循环

引入了基于强化学习的通用框架，以发现最大化量子热力机和制冷机功率的最佳热力循环，这在改进现有的量子信息处理技术中扮演着重要角色。

Aug, 2021

机器学习在基于仿真優化中的应用：一个天线设计案例研究

利用机器学习技术优化复杂系统的方法，通过少量数据训练得到的仿真器可近乎瞬间地给出准确结果和在海量参数空间内全局求解的优化结果，本研究以下一代毫米波蜂窝网络模拟器为例进行了验证并得到了成功的结果。

Aug, 2019

冷原子实验高效优化的机器学习算法回顾与实验基准测试

在本文中，我们展示了对九种不同优化技术和实现方法进行基准测试的结果，以及它们在铷（Rb）冷原子实验中的优化能力。我们使用 3D $^{87}$Rb molasses 进行实验，并将吸收成像得到的原子数作为测试问题。我们还通过调整 2D+ MOT 中的原子蒸汽压力和检测激光频率稳定性来减小图像的信噪比，对不同有效噪声条件下表现最佳的优化器进行了比较。

Dec, 2023

使用图形 Q 网络的多智能体强化学习在天线调谐中的应用

该论文提出了一种新的多智能体强化学习算法，使用图神经网络结构进行全局优化移动网络配置，实现对移动网络的优化。

Jan, 2023

多市场可再生能源优化及强化学习

该研究介绍了一种深度强化学习框架，用于优化可再生能源和储能发电厂的操作，以最大化能源市场收益，同时最小化储能损耗成本和可再生资源废弃。

Jun, 2023

基于模型的深度强化学习加速流体模拟的学习

深度强化学习在闭环流控问题中应用模拟环境进行优化，通过模型和流模拟样本相互交替训练，有效减少流控应用中的计算时间，尤其对于复杂流模拟有着潜在的巨大节约。

Feb, 2024