Aug, 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

HTML
PDF
TL;DR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。
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

  • 针对复杂几何形状的低温等离子体模拟机器学习泊松求解器

    本研究采用基于深度学习的 CNN-transformer 网络模型结合权重多项损失函数和迭代求解器，开发出一种量化和定性准确且具有泛化能力的 Poisson 解算器，可在复杂几何形状的低温等离子体系统的数值模拟中提高计算速度和精度。

    Jun, 2023

  • 利用机器学习推进低温等离子体建模和模拟

    通过综述现有文献，本文讨论了基于数据驱动建模的新型机器学习算法在低温等离子体模拟和建模研究中的应用，阐述了其在物理、化学、表面相互作用和过程控制等领域的潜在应用。

    Jun, 2023

  • PC-Droid: 用于粒子云生成的更快传播和更好质量的方案

    PC-Droid使用新的扩散公式、更現代的統計積分者和對所有噴流類型的同時訓練，實現了全部評估指標的最先進性能，比PC-JeDi快兩個數量級。

    Jul, 2023

  • 数据驱动的ExB等离子体动力模态分解的分析与降阶建模：I. 时空相干模式的提取

    通过引入 Dynamic Mode Decomposition (DMD) 算法，对电浆动力学的跨场 ExB 结构进行数据驱动分析和降阶建模，在高保真数据集上应用DMD算法，提取主导的时空模式并发现OPT-DMD方法能更可靠地重建基准值，以及通过揭示频谱的空间结构，为等离子现象的时空特性提供更全面、更易理解的信息。

    Aug, 2023

  • 低成本高保真融池模型在增材制造中的应用：基于生成式深度扩散的方法

    通过开发基于概率扩散框架的生成性深度学习模型，我们实现了低保真度、粗粒度模拟信息向高保真度对应物的映射，无需进行多次高保真度模拟分析，代之以放大轻量级粗网格模拟。我们通过实现一个二维扩散模型，将粗粒度模拟的熔池横截面空间放大到高保真度的等效尺寸，展示了熔化过程的关键度量，如温度场、熔池尺寸和关键孔造成的变异性在真实模拟数据和扩散模型输出之间的保持，并在低保真度输入数据的基础上预测了3微米的熔池深度，比高保真度模拟降低了两个数量级的分析时间。

    Nov, 2023

  • 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

  • 用于快速模拟CERN粒子碰撞的生成扩散模型

    利用扩散模型，我们首次使用模拟方法对ALICE实验中的Zero Degree Calorimeter（ZDC）进行了模拟，与现有基线相比实现了最高保真度，结果表明潜在扩散模型具有快速生成时间的显著潜力。

    Jun, 2024

  • 基于LLMs的惯性约束聚变预测

    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。

    Jul, 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