结合物理学和神经常微分方程预测托卡马克聚变反应堆等离子体感应动力学

Oct, 2023

结合物理学和神经常微分方程预测托卡马克聚变反应堆等离子体感应动力学

Hybridizing Physics and Neural ODEs for Predicting Plasma Inductance Dynamics in Tokamak Fusion Reactors

Allen M. Wang, Darren T. Garnier, Cristina Rea

TL;DR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。

Abstract

While fusion reactors known as tokamaks hold promise as a firm energy source, advances in plasma control, and handling of events where control of plasmas is lost, are needed for them to be economical. A significa

fusion reactors plasma control plasma simulation neural ode framework alcator c-mod fusion reactor

发现论文，激发创造

神经常微分方程在托卡马克等离子体动力学分析中的应用

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

神经算子学习磁流体力学的局部物理性质

本研究提出了一种修改的 Flux Fourier 神经算子模型，用于近似理想磁流体力学的数值通量，通过实现连续推理、样本分布外的泛化以及相比传统数值方案更快的计算，实现了比现有神经算子模型更好的性能。

Apr, 2024

图神经网络梦见朗道阻尼吗？来自等离子体片层模型的动力学模拟洞察

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

使用可导动力学模拟和最大熵损失函数无监督发现惯性约束聚变等离子体物理

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

傅里叶神经算子在等离子替代模型中的应用

使用深度学习为基础的 FNO 进行代理模拟，能够准确预测等离子体的演化，包括模拟和实际观测数据，以及在 Tokamak 反应堆中的实时监测。

Nov, 2023

神经天体物理风模型

通过在耦合的普通微分方程中嵌入深度神经网络来实现非线性反问题的机械可解释性的发现工具，从而在没有先验知识的情况下，稳健地发现热超新星驱动的银河风的大量动力学和热力学特性，其中包括卷起的冷云和非球形的射流几何形状。

Jun, 2023

使用神经微分方程和强化学习的托卡马克放电阶段的主动干扰避免和轨迹设计

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。