本研究提出了一种基于图神经网络的模拟器框架，通过学习信息传递来模拟包括流体、刚性固体和可变形材料在内的各种复杂物理现象，模型从单一粒子预测到测试时的数千个粒子，并且能够处理不同的初始条件和数万个时间步骤，具有较强的可靠性与预测能力。

Feb, 2020

本次调查论述了机器学习在物理系统建模中的发展趋势，重点介绍了图神经网络加速和基于粒子的方法的发展轨迹，并探讨了一些未被应用于现阶段机器学习方法的模拟方法，这些方法有可能使机器学习方法更准确，更高效。最后，论文展望了这些方法对于科学的机器学习模型提高效率的潜力。

Mar, 2023

该研究使用机器学习方法对Poincaré图进行分类，能够更客观准确地分析托卡马克中磁场力线的拓扑结构，帮助等离子物理学家研究磁约束等离子体行为。

May, 2023

通过综述现有文献，本文讨论了基于数据驱动建模的新型机器学习算法在低温等离子体模拟和建模研究中的应用，阐述了其在物理、化学、表面相互作用和过程控制等领域的潜在应用。

Jun, 2023

我们提出了一种映射算法，用于在室内环境中通过近似高斯过程回归计算大规模磁场地图，以用于室内区域的定位算法。

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

该研究开发了一个基于物理引导的TinyML框架，通过集成物理模型训练和压缩的方法，提高了实时空间天气预测中磁变扰动预测的准确性和可靠性，并与传统方法进行了综合比较分析。

Nov, 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

我们基于Shallow REcurrent Decoder（SHRED）架构开发了一种模型降阶方案，该方案利用神经网络将有限的传感器测量时间序列编码转化为通过解码器网络得到完整状态空间重构，并根据变量分离理论能够重构具有动态耦合但没有传感器测量馈入的完整时空场，并能够利用训练好的时间编码模型通过神经网络预测系统的未来状态。

May, 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