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

HTML
PDF
TL;DR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。
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

  • 利用神经偏微分方程代理快速模拟导流层等离子体

    本文介绍使用神经偏微分方程代理进行快速模拟离子流中等离子体物理过程的方法，并通过DIV1D模型数据进行了实验验证。

    May, 2023

  • 图神经网络梦见朗道阻尼吗？来自等离子体片层模型的动力学模拟洞察

    通过图神经网络模拟器完全替代等离子体物理学动力学模拟器的可能性进行探索，着重于这一类替代模型，因为它们的消息传递更新机制与传统物理求解器更新机制相似，并且可以将已知的物理先验知识应用于图构建和更新，我们展示了模型学习了一维等离子体模型的运动动力学，这是当代等离子体动力学模拟代码的前身，并可以模拟等离子体热平衡、热平衡周围的静电扰动以及快速片上的阻力和朗道阻尼等多种已知的等离子体动力学过程，我们通过运行时间、守恒定律和关键物理量的时间演化来比较与原始等离子体模型的性能，同时讨论了对于高维等离子体替代模型的可能方向和模型的限制。

    Oct, 2023

  • 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

  • 连续卷积神经网络在核聚变等离子体干扰预测中的应用

    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

  • 使用神经微分方程和强化学习的托卡马克放电阶段的主动干扰避免和轨迹设计

    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

  • 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

  • FTL：通过深度神经网络在低维嵌入中传输学习非线性等离子体动力学转换

    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

  • 浅层循环解码器用于等离子体动力学的降阶建模

    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