通过应用 Tensorized FNO 模型加速 Bifrost MHD 模型的磁场建模,我们的研究提高了磁流体力学模拟的效率,改善了数据处理的能力,增强了预测能力,并对磁场拓扑提供了更好的理解。
May, 2024
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
利用 Fourier 神经算子 (FNO) 建立了两个模型,分别通过学习将驱动条件和材料特性映射到基于 Hammer 和 Rosen (2003) 经典解析模型的解精度近似以及更准确的数值解来模拟 Marshak 波,结果表明 FNO 具有很强的泛化能力并显著提高了预测准确性。
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
这篇论文研究了将神经网络方法与传统的数值方案结合,以在处理保守定律时具有稳健性、分辨率不变性和数据驱动能力的特点,并通过实验证明了方法在时间连续预测和对分布之外样本的推广能力方面的优势。
Jan, 2024
该论文提出了一种新的神经算子,通过直接在傅里叶空间中参数化积分核,实现了对偏微分方程的求解,并在 Burgers' equation、Darcy 流和 Navier-Stokes 方程等测试中展现了高准确率和比传统方法高三个数量级的速度。
Oct, 2020
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
提出了使用神经算子对磁滞建模的方法,以解决常规神经网络方法难以推广至新输入磁场的问题;通过深度算子网络和傅里叶神经算子对新一阶反向曲线和次环进行预测,并提出了一个无速率相关的傅里叶神经算子用于在采样速率不同的情况下预测材料响应。数值实验证明,神经算子能够高效地建模磁滞,并在各个指标上优于传统的循环神经网络方法,并能够推广至新的磁场条件,强调了神经算子在表征基于磁性材料的器件中的重要性。
Jul, 2024
利用物理信息神经网络 (PINNs) 方法解决 Grad-Shafranov 方程,证明其能够准确有效地处理多种不同边界条件,同时通过参数化的 PINN 框架扩展输入空间,能够处理更广泛的等离子体情景,在未来的工作中可用于解决形状优化等逆问题。
使用深度学习方法研究交通流中非线性双曲型偏微分方程的解决方案,通过训练算子来预测宏观交通状态和密度动态,以及改进冲击预测和物理约束问题。
Aug, 2023