When designing a fusion power plant, many first-of-a-kind components are required. This presents a large potential design space across as many dimensions as the component's parameters. In addition, multiphysics, multiscale, high-fidelity simulations are required to reliably capture a component's performance under given boundary conditions. Even with high performance computing (HPC) resources, it is not possible to fully explore a component's design space. Thus, effective interpolation between data points via machine learning (ML) techniques is essential. With sequential learning engineering optimisation, ML techniques inform the selection of simulation parameters which give the highest expected improvement for the model: balancing exploitation of the current best design with exploration of uncertain areas in the design space. In this paper, the application of an ML-driven design of experiment procedure for the sequential learning engineering design optimisation of a fusion component is shown. A parameterised divertor monoblock is taken as a typical example of a fusion component requiring HPC simulation to model. The component's geometry is then optimised using Bayesian optimisation, seeking the design which minimises the stress experienced by the component under operational conditions.
核融合発電所を設計する際には、多くの初回採用部品（first-of-a-kind components）が必要となる。これにより、部品のパラメータと同じ数の次元にわたる、広大な設計空間が生じる。さらに、所定の境界条件下での部品の性能を確実に把握するには、マルチフィジックス・マルチスケール・高忠実度シミュレーションが必要となる。ハイパフォーマンス・コンピューティング（HPC）リソースを利用したとしても、部品の設計空間を完全に探索することは不可能である。したがって、機械学習（ML）手法によるデータポイント間の効果的な補間が不可欠となる。逐次学習による設計最適化では、ML手法が、モデルの改善に対して最も高い期待値を与えるシミュレーションパラメータの選択を支援する。これにより、既知の最良設計の活用（exploitation）と、設計空間内の不確実な領域の探索（exploration）のバランスを取る。本論文では、核融合部品の逐次学習による設計最適化のための、ML駆動型実験計画法の適用を示す。パラメータ化されたダイバータ・モノブロックを、HPCシミュレーションを必要とする核融合部品の典型的な例として取り上げる。その後、ベイズ最適化を用いて部品の幾何形状を最適化し、動作条件下で部品に生じる応力を最小化する設計を探索する。