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

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

通过算法改进与训练程序的提升，我们在等离子体磁控制领域为强化学习方法解决了主要问题，包括提高对所需等离子体特性的控制准确性，减小了稳态误差，以及缩短了学习新任务所需的时间。我们的模拟结果显示形状准确性提高了 65％，等离子体电流的长期偏差大幅减少，并且学习新任务的培训时间缩短了 3 倍或更多。在瑞士磁约束实验装置上进行的实验验证了这些模拟结果，并指引了通过强化学习方法定期实现精确放电的方向。

Jul, 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

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

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。

Apr, 2024

研究报告介绍了瑞士大型强子对撞机粒子轨迹重建中机器学习的解决方案，包括两种新的基于 RNN 和 GNN 的深度学习模型，能够高效地处理具有时序关联性和连通性的空间点数据。

Oct, 2018

本文使用数据驱动的方法，应用前沿的深度学习技术模拟三维湍流，考虑流体的物理约束，并使用向量量化自编码器等方法降低数据维度，应用 Transformer 网络预测流体运动趋势，所得结果优于其他网络，但不能完美还原小幅动态。

Dec, 2021