深層学習（Deep learning）の研究史

深層学習（Deep learning）は、核融合・プラズマ物理学の手法。多層ニューラルネットワークにより実験・シミュレーションデータから非線形関係を学習し、プラズマの不安定性予測や物理量の高速推定を可能にする。実時間制御や大規模データ解析への応用が進み、第一原理計算の代替モデルとしても用いられる。この用語集が追う論文のうち、タイトルにこの主題が現れるものは51本ある。比重が最も大きいのは直近の2025–2029年で、その期間に発表された論文の0.47%を占める。この用語集がこの主題を最初に拾うのは2015年以降で、それ以前の収録論文には現れない。

推移

図1 — 深層学習が、5年ごとにその期間の全論文に占めた割合。コーパスは2010年代が1970年代の9倍あるため、件数のままでは何もかもが増加して見える

他の項目を重ねる

比べる項目

研究の変遷

2015–202651本 · 0.21%

トカマク実機応用への急拡大

この時期、深層学習はプラズマ disruption 予測や安全係数再構成など、トカマク診断・制御の実問題に応用され始める。同時に Magnetohydrodynamics や Inertial confinement fusion などの基礎理論とも結びつき、east, jet, asdex-upgrade, kstar といった各装置のデータ解析に用いられた。代表的な論文として、2021年の「Deep learning based surrogate models for first-principles global simulations of fusion plasmas」や、2023年の「Integrated deep learning framework for unstable event identification and disruption prediction of tokamak plasmas」が挙げられる。

同時に語られた主題プラズマディスラプション、ディスラプション予測、電磁流体力学、慣性核融合、X線トモグラフィー、軟X線

この時代の論文から

Deep learning based surrogate models for first-principles global simulations of fusion plasmasNuclear Fusion 2021
Integrated deep learning framework for unstable event identification and disruption prediction of tokamak plasmasNuclear Fusion 2023

よく登場する装置

east5 jet2 asdex-upgrade2 kstar1

この数字の作り方

数え方 —: 同じものが別の名前で書かれていてもまとめて数えている。綴りが変わった時期に推移が動いて見える、ということは起きない
割合 —: その時代の収録論文全体に占める比率。コーパスは1970年代より2010年代のほうが9倍大きいため、本数のままではほとんどの主題が右肩上がりに見えてしまう
記述 —: その時代の論文・共起する主題・登場する装置だけを根拠にAIが書いている
冒頭の定義 —: 用語そのものの説明だけは、論文26本の要旨を読ませたうえでAIの分野知識で書かせている。ここだけは収録論文に書かれていることの要約ではない
範囲 —: 収録は6誌に限られる。ここで減っていることは、分野がその取り組みをやめたことを意味しない