使用机器学习对庞加莱映射轨道进行分类
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
本文介绍了一种基于可微求解器和神经网络优化的等离子体动力学建模框架,在惯性聚变领域的应用中,发现了一种之前未曾发现的物理效应。
Jun, 2022
通过拓扑分析磁场以及在三维空间中代表三维磁向量场的时空图表示,挑战机器学习社区探索基于图的机器学习方法来解决一个具有广泛潜力影响的科学难题。
Jul, 2023
基于数据的哈密顿系统长期演化精确预测需要一个在每个时间步骤下保留适当结构的网络。本文介绍了两种确切保留李-泊松系统的Poisson括号和特殊函数(卡西米尔)到机器精度的转换,一种是使用密集神经网络计算转换参数的LPNets,另一种是使用转换的组合作为构建模块的G-LPNets,并展示了如何将这些方法应用于更大类别的Poisson括号。这些方法对于构建准确的基于数据的物理系统长期动力学仿真方法至关重要。
Aug, 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
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
本文研究了非侵入式科学机器学习(SciML)约简模型(ROMs)在非线性、混沌等离子体湍流模拟中的构建。具体而言,我们提出使用算子推断(OpInf)从数据构建基于物理学的低成本ROMs来模拟该类模拟。通过对平面静电漂波等离子体湍流的Hasegawa-Wakatani(HW)方程进行代表性示例,我们考虑了Ledig等的研究工作以构建准确的基于OpInf的ROMs潜力的全面认识。我们通过直接数值模拟和OpInf ROMs进行了两组实验,结果表明OpInf ROMs捕捉到了湍流动力学的重要特征,并推广到新的未见的初始条件,同时在单核性能方面将高准确度模型的计算时间缩短了五个数量级。在聚变研究的更广泛背景下,这表明非侵入式的SciML ROMs有潜力大大加速数值研究,最终可以实现优化聚变设备的设计和实时控制等任务。
Jan, 2024
该论文介绍了一种名为Phi方法的新算法,它通过受到数值离散化方案启发的有约束回归来发现离散化微分方程组,以提供可靠和稳健的降阶模型(ROMs),并展示了该方法在不同测试案例中的性能,强调了该方法在转变等离子体系统建模方面的潜在应用。
Mar, 2024
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
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