基于LLMs的惯性约束聚变预测

Jul, 2024

Inertial Confinement Fusion Forecasting via LLMs

Mingkai Chen, Taowen Wang, James Chenhao Liang, Chuan Liu, Chunshu Wu...

TL;DR我们介绍了一种将大型语言模型（LLMs）与经典储备计算模型相结合的新方法Fusion-LLM，旨在应对惯性约束聚变（ICF）中的挑战。我们的方法在热电子动力学内爆过程的准确预测、描述激光强度的信号处理以及预测中的置信度提供了重要贡献，通过实验验证了其卓越性能，并提出了Fusion4AI，这是第一个基于物理实验的ICF基准，旨在推动等离子物理学研究中的创新思路，提高科学探索中的LLMs的效用。

Abstract

controlled fusion energy is deemed pivotal for the advancement of human civilization. In this study, we introduce $\textbf{fusion-llm}$, a novel integration of Large Language Models (LLMs) with classical reservoi

发现论文，激发创造

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

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

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

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

低限制机制的物理模拟能力

大型语言模型结合计算物理学和编程能力，能够模拟和预测物理世界，但目前的最先进模型在计算物理问题上仍具有显著的失败模式和改进空间。

Dec, 2023

基于Transformer的代理模型弥合了极少数据下的ICF模拟与实验差距

使用Transformer架构和基于图的超参数优化技术提出了一种改善多模态输出场景中预测准确性的新方法，在稀疏实验数据与模拟数据相结合时，该方法不仅能有效减少模拟偏差，而且与以前的方法相比，预测准确性更高。我们在惯性约束聚变实验和这些实验的合成版本上展示了我们方法的效果，在这些实验中，只有10次真实世界数据可用。

Dec, 2023

从数据中学习基于物理的Hasegawa-Wakatani方程的简化模型

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

DIII-D托卡马克通过深度循环网络的全景预测

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

Diff-PIC：利用扩散模型革新粒子在计算机模拟中的应用，推动核聚变发展

本研究针对粒子在计算机（PIC）模拟在核聚变点火研究中面临的计算瓶颈问题，提出了一种新颖的Diff-PIC方法，通过条件扩散模型作为高效的替代方案。研究表明，该方法能够有效提取物理模式，并解决了模型的可迁移性与高效性问题，从而为核聚变研究的未来创新奠定了基础。

Aug, 2024

神经普通微分方程在ITER燃烧等离子体动力学中的应用

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

卡努斯能否（重新）发现直接驱动激光聚变的预测模型？

本研究解决了激光聚变领域中机器学习模型预测难度大和训练数据有限的问题。提出了一种新颖的基于Kolmogorov-Arnold网络（KAN）的数据驱动预测模型，展现出高预测准确性和物理可解释性。研究结果表明，KAN在数据匮乏的物理应用中具有潜在的优势。

Sep, 2024