La fusión nuclear es una de las alternativas más prometedoras para alcanzar una fuente de energía limpia, segura y prácticamente inagotable. Sin embargo, la complejidad y el elevado coste computacional de las simulaciones dificultan la predicción del comportamiento del plasma dentro de los reactores de fusión, lo que ralentiza enormemente el avance de esta tecnología. El presente trabajo aborda la calibración de la métrica Ricci que es utilizada en PORTALS, un framework desarrollado por el PSFC del MIT que combina modelos subrogados basados en procesos gaussianos con optimización bayesiana para acelerar las simulaciones de transporte de plasma. El objetivo principal del proyecto ha sido optimizar los parámetros d0 y λ de dicha métrica para mejorar la detección automática de la convergencia en las simulaciones de PORTALS. Para ello, se aplicó un algoritmo genético configurado con validación cruzada en 5 folds y 32 ejecuciones por fold, evaluando la estabilidad de los parámetros y la robustez de la calibración. Los resultados demuestran que la configuración optimizada (d0 = 1.97, λ = 0.17) reduce el error de detección de convergencia en un 74% respecto a la métrica base y un 44% frente a la versión calibrada manualmente, sin introducir falsos positivos. Se concluye que la métrica calibrada por el algoritmo genético mejora la fiabilidad y reproducibilidad del criterio de parada, y acelera la detección de convergencia respecto a los parámetros por defecto.
La fusión nuclear es una de las alternativas más prometedoras para alcanzar una fuente de energía limpia, segura y prácticamente inagotable. Sin embargo, la complejidad y el elevado coste computacional de las simulaciones dificultan la predicción del comportamiento del plasma dentro de los reactores de fusión, lo que ralentiza enormemente el avance de esta tecnología. El presente trabajo aborda la calibración de la métrica Ricci que es utilizada en PORTALS, un framework desarrollado por el PSFC del MIT que combina modelos subrogados basados en procesos gaussianos con optimización bayesiana para acelerar las simulaciones de transporte de plasma. El objetivo principal del proyecto ha sido optimizar los parámetros d0 y λ de dicha métrica para mejorar la detección automática de la convergencia en las simulaciones de PORTALS. Para ello, se aplicó un algoritmo genético configurado con validación cruzada en 5 folds y 32 ejecuciones por fold, evaluando la estabilidad de los parámetros y la robustez de la calibración. Los resultados demuestran que la configuración optimizada (d0 = 1.97, λ = 0.17) reduce el error de detección de convergencia en un 74% respecto a la métrica base y un 44% frente a la versión calibrada manualmente, sin introducir falsos positivos. Se concluye que la métrica calibrada por el algoritmo genético mejora la fiabilidad y reproducibilidad del criterio de parada, y acelera la detección de convergencia respecto a los parámetros por defecto. Read More
Related posts:
Office Solutions Highlights Culture with Professional Lifestyle Photography Shoot
Aplicación de simulación de Monte Carlo a la propagación de incertidumbres en análisis probabilista de electromiografía
Stop the Spread of Germs
Fusion and AI: How private sector tech is powering progress at ITER
Diseño de un sistema de detección de Equipos de Protección Personal en el taller de la carrera de Mecánica Industrial del Instituto Superior Tecnológico Tsáchila mediante Inteligencia Artificial para simulaciones en Seguridad Industrial
Indicadores antropométricos y fisiológicos para la detección de talento en fútbol en etapas de desarrollo