动力学过程的深度学习算法取得新进展:VPNets可有效学习等离子体系统

发布时间:2022-07-22浏览次数:10



近日,核科学技术学院等离子体物理与聚变工程系刘健课题组与中国科学院数学与系统科学研究院唐贻发课题组合作提出了一大类保体积神经网络(VPNets)算法,VPNets可严格保持相空间体积(满足刘维定理),通过将物理系统的基本性质嵌入网络结构,有效解决应用AI算法处理物理问题时常见的数据不完备、泛化能力弱等问题。该工作还严格证明了VPNets的逼近定理,在理论上保证了该网络的表达能力。这是中科大多途径磁约束核聚变研究中心团队的又一最新成果。相关成果发表于Journal of Computational and Applied Mathematics期刊上(416,2022: 114523)



数据驱动的研究方法在包括等离子体物理、聚变能等在内的大量领域有着越来越广泛的应用。通用AI算法在现阶段是无法实现的,针对不同的领域和研究对象需要提出特定的神经网络模型和机器学习算法。

不同物理系统的演化对应于不同的动力学过程,而神经网络可以等价于离散动理学系统。因此针对物理系统的特点构造具有特殊结构的神经网络能够有效利用训练数据中的信息学习真实动力学系统。我们常见的物理系统都满足相流的无源性,即保体积性质(某些情况下称刘维定理)。与哈密尔顿系统相比,研究人员对无源动力学的关注较少。近几年来,学习动力学在机器学习的各种应用中展示出越来越重要的作用。许多研究已经证明将基于物理规律的特性编码到神经网络架构中具有重大意义。对于无源系统构造高效、简便的保体积网络十分必要。

本研究为学习真实物理系统的动力学规律开辟了一条新途径,VPNets可适用于所有无源系统,因而具有非常广泛的应用场景。新的保体积网络已应用于数据驱动的等离子体动力学模拟和预测中,将在聚变物理和等离子体物理研究中发挥重要作用。

等离子体物理与聚变工程系(校内编号52系)成立于2020年,是中国第一个专门从事等离子体物理与聚变工程教学科研的系级单位,其前身是成立于1974年的等离子体物理教研室。52系具有应用物理和工程物理两个本科专业,招收物理学(等离子体物理)以及核科学技术(核能工程)两个培养方向的研究生。

原文链接:

https://doi.org/10.1016/J.CAM.2022.114523