基于物理指导特征提取的可解释性破坏预测器(IDP-PGFE)
本研究提出了一种基于深度卷积神经网络的机器学习模型,可自动识别位置、空间范围和振幅不同的ECEI电子回旋发射成像系统中的ELM暴露结构,该模型在KSTAR托卡马克上训练和优化,精度可达93.7%,并用于表征ELM丝线动态行为,并发现在ELM前期和ELM崩溃阶段之间有明显区别。
Jan, 2022
本文介绍一种基于异常检测的核聚变等离子体破裂预测方法,以解决标记方法的不足所带来的问题。该方法在优化了标记方法后,在J-TEXT和EAST等聚变实验平台上的测试结果表明,与采用固定的开始时间标记的模型相比,训练优化标记的模型具有更高的性能。
Mar, 2023
通过领域适应算法CORAL,本研究在未来托卡马克上应用了少量数据进行破裂预测,改进了CORAL以提高性能,并通过解释性分析证明了其与基于大数据的模型的相似性。
Sep, 2023
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
该研究论文描述了在2023年9月至11月期间ITU举办的多机器扰动预测挑战赛中所采用的方法,该比赛在在线平台Zindi上进行,涉及了C-Mod、HL-2A和J-TEXT三个聚变设备的数据,其中大部分训练数据来自后两者,而测试数据来自第一个设备。这篇论文采用了从信号中提取特征并在其上应用逻辑回归的方法,将每个信号视为一个单独的预测器,最终通过这些预测器的组合在排行榜上取得了第一名的成绩。
Nov, 2023
使用连续卷积神经网络进行等离子体扰动预测,与离散模型相比,连续模型具有更好的性能(接收器操作特性曲线下的区域 = 0.974 vs 0.799),参数更少。
Dec, 2023
通过混合物理学和机器学习模型,在训练环境中使用增强学习,成功地降低等离子体电流同时避免干扰,为托卡马克等离子体研究提供安全可靠的路径。
Feb, 2024
我们介绍了一种将大型语言模型(LLMs)与经典储备计算模型相结合的新方法Fusion-LLM,旨在应对惯性约束聚变(ICF)中的挑战。我们的方法在热电子动力学内爆过程的准确预测、描述激光强度的信号处理以及预测中的置信度提供了重要贡献,通过实验验证了其卓越性能,并提出了Fusion4AI,这是第一个基于物理实验的ICF基准,旨在推动等离子物理学研究中的创新思路,提高科学探索中的LLMs的效用。
Jul, 2024
本研究针对机器学习在数值等离子体物理研究中应用相对有限的现状,提出了将流体力学中的机器学习进展转移到计算等离子体物理的路线图。文章探讨了机器学习的基本概念和算法类型,并回顾了在流体动力学和等离子体物理中应用的具体实例,指出未来的研究方向及其面临的主要挑战。
Sep, 2024
本研究解决了激光聚变领域中机器学习模型预测难度大和训练数据有限的问题。提出了一种新颖的基于Kolmogorov-Arnold网络(KAN)的数据驱动预测模型,展现出高预测准确性和物理可解释性。研究结果表明,KAN在数据匮乏的物理应用中具有潜在的优势。
Sep, 2024