通过将神经常微分方程 (ODE) 框架应用于等离子体动力学的问题，本研究从阿尔卡托 C-Mod 聚变反应堆的数据中训练出结合了基于物理方程和神经 ODE 的模型，发现其性能优于现有的基于物理的 ODE 和纯神经 ODE 模型。

Oct, 2023

通过图神经网络模拟器完全替代等离子体物理学动力学模拟器的可能性进行探索，着重于这一类替代模型，因为它们的消息传递更新机制与传统物理求解器更新机制相似，并且可以将已知的物理先验知识应用于图构建和更新，我们展示了模型学习了一维等离子体模型的运动动力学，这是当代等离子体动力学模拟代码的前身，并可以模拟等离子体热平衡、热平衡周围的静电扰动以及快速片上的阻力和朗道阻尼等多种已知的等离子体动力学过程，我们通过运行时间、守恒定律和关键物理量的时间演化来比较与原始等离子体模型的性能，同时讨论了对于高维等离子体替代模型的可能方向和模型的限制。

Oct, 2023

将大涡模拟技术与机器学习相结合，通过 ML 基于子网格尺度模型描述小尺度动力学，从而减少计算量并保留湍流系统的统计物理性质。

Sep, 2023

本研究提出了 PORTALS 框架，利用代理建模和优化技术，在非线性陀螺动力学模拟中以显著降低的成本预测等离子体核心轮廓和性能，没有精度损失。通过与标准方法的基准测试，证明了 PORTALS 的高效性，并在使用 GPU 加速的非线性 CGYRO 中展示了在 DIII-D ITER 类似形态等离子体中对恒定态轮廓进行独特的五通道（电子温度、离子温度、电子密度、杂质密度和角度旋转）预测的全部潜力。本论文还提供了在聚变示范堆研究中准确性能预测的一般指导原则以及输运模型的影响。

Dec, 2023

采用神经网络参数化的物理描述框架，从分子模拟数据中自动发现连续体模型。该方法在模态空间中对支配物理方程进行参数化，对涉及对称性、各向同性和守恒性的归纳偏差提供结构。通过应用在各种物理问题中展示了该框架的有效性。

Sep, 2020

本文提出了一种新的数值算法，使用间断有限元方法对 Vlasov-Maxwell 方程离散化，通过数值模拟研究等离子体运动学。实现高阶数值解，探索了减少成本的各种方式，并进行了一系列基准测试。

May, 2017

通过神经常微分方程（Neural ODEs）模拟托卡马克复杂的能量传递过程，从 DIII-D 托卡马克实验数据中精确建模电子和离子间的能量相互作用，探索提升托卡马克性能的深度学习方法。

Mar, 2024

利用深度学习算法研究高维度动力行为的新方法为等离子体聚变系统内的异常模式检测和建立高效模型来进行实时控制提供了独特机会，研究发现我们的 Fusion Transfer Learning (FTL) 模型通过学习有限数量的非线性模拟数据，成功重建出非线性可刚性模式结构，实验结果突出了 FTL 捕捉等离子体动力学的过渡行为和动力学特点的能力，并指出该模型是可推广的，并可通过迁移学习扩展以应对各种磁流体力学 (MHD) 模式。

Apr, 2024

该研究通过粒子 - 细胞模拟表明，在磁化、无碰撞、相对论双重等离子体中，湍流可以成为高能天体物理系统（如脉冲星风星云）中有力的粒子能量来源，从而引出了非热幂律粒子能量分布变化的现象。

Sep, 2016

通过数据驱动的局部算子自动搜索算法 Phi Method 来学习参数化动力学，预测系统在未知参数空间中的行为，并相比参数化 OPT-DMD 在流体情况下展示了更高的预测性能。在两个测试案例中，参数化和集合 Phi Method 可靠地恢复了主导动态系数，并以高准确性进行预测。

Mar, 2024