该论文设计了一种基于物理引导特征提取的可解释性托卡马克破裂预测模型,并在J-TEXT上应用,研究结果对J-TEXT托卡马克破裂机理提供了洞见。
Aug, 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
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
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
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
通过使用历史数据训练深度循环网络来预测等离子体放电的全时演化,并研究不同的训练和推理过程对放电预测质量和校准的影响。
Apr, 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。
本研究解决了在托卡马克中燃烧等离子体动态与热失控不稳定性之间的关系。我们引入了神经等离子体普通微分方程(NeuralPlasmaODE),它通过神经普通微分方程精确模拟不同等离子体区域间能量传输的复杂过程。结果表明,辐射和传输过程有效去除核心等离子体的多余热量,为控制燃烧等离子体动态提供了新的视角。
Aug, 2024