物理学
Physics
加速器物理
Accelerator Physics
应用物理学
Applied Physics
大气与海洋物理学
Atmospheric and Oceanic Physics
我们介绍了使用DIII-D中MAchiNe学习(PACMAN)预测和控制的一般算法的设计和应用。 基于机器渮魏(ML)的预测器和控制器在实现传统控制器失败的机制方面显示出巨大的希望,例如撕裂模式免费场景,无ELM场景和稳定的高级托卡马克条件。 这里介绍的架构部署在DIII-D上,以促进从诊断处理到最终执行命令的高级控制实验的端到端实现。 本文介绍了算法的详细设计,并解释了每个设计点背后的动机。 我们还描述了DIII-D中几个成功的ML控制实验,包括针对高级非感应等离子体的强化学习控制器,宽基静态H模式ELM预测器,Alfvén Eigenmode控制器,模型预测控制等离子体配置文件控制器和状态机泪模式预测器控制器。 还有关于实时机器学习控制器设计和实现的指导原则的讨论。
聚变能量研究越来越依赖于整合来自高分辨率诊断、控制系统和多尺度模拟的异构多模态数据集的能力。 这些数据集的庞大数量和复杂性要求开发能够系统地协调和提取不同模式知识的新工具。 Data Fusion Labeler(dFL)作为一种统一的工作流程工具推出,可大规模执行具有不确定性感知数据协调,符合模式的数据融合以及丰富的出处手动和自动化标签。 通过在可重复的操作员订单感知框架中嵌入对齐、规范化和标签,dFL 将分析时间缩短了超过 50 倍(例如,使 >200 次/小时能够一致地标记,而不是每天少量),增强了标签(以及随后的训练)质量,并实现了跨设备的可比性。 来自DIII-D的案例研究证明了其应用于自动化ELM检测和约束机制分类,说明了其作为未来燃烧等离子体设备中数据驱动发现,模型验证和实时控制的核心组件的潜力。
几何粒子在细胞内离散化的基础上,通过从离散作用原理推导运动方程的方程,对符合麦克斯韦方程的de Rham结构的场和标准的粒子在细胞中的运算参数的离散化。 虽然早期的工作集中在有限元离散离散化的基础上,基于有限元素外部微积分理论的字段,我们在本文中提出了基于模仿有限差异所传达的思想的场方程的替代公式。 使用交错的网格来表达所需的二元性。 我们构建了一个基于自由度的有限差公式,定义为原始及其双网格上的点值,边缘,面和体积积分。 与有限元公式相比,没有质量矩阵反转参与Maxwell求解器的配方。 在数值实验中,我们验证了新方法的保存特性,并研究了离散化中各种参数的影响。
为湍流传输构建简化模型对于加速配置文件预测和实现许多查询任务(如不确定性量化、参数扫描和设计优化)至关重要。 本文介绍了温德尔斯坦7-X(W7-X)恒星仪中电子温度梯度(ETG)湍流的机器学习驱动的还原模型。 每个模型预测ETG热通量作为三个等离子体参数的函数:正态电子温度径向梯度(ω_T_e),正电子温度和密度径向梯度(η_e)的比例,以及电子与离子温度比(τ)。 我们首先使用回归和基于机器学习的主动过程在七个径向位置构建模型。 这个过程使用低卡性稀疏网格训练数据初始化模型,然后通过从预先存在的模拟数据库中选择最翔实的点来迭代改进其训练集。 我们使用每个位置超过393点的样本外数据集评估模型的预测能力,并通过引导评估预测不确定性估计95%的预测间隔。 然后,我们研究广义还原模型的构建,包括通用的,位置无关的模型,并在三个额外的位置评估其热通量预测能力。 我们的模型具有与原始参考模拟相当的稳健性能和预测准确性,即使在训练域之外应用也是如此。
机器学习(ML)有望在下一代融合设备的开发和运行中发挥关键作用。 融合数据显示了分布漂移的非静止行为,这是由实验进化和机器磨损引起的。 ML模型假设固定分布,并且在遇到此类非静态数据流时无法保持性能。 在线学习技术已经在其他领域被利用,但它在很大程度上尚未探索用于融合应用。 在本文中,我们介绍了在线学习的应用,以持续适应漂移数据流,以预测DIII-D融合设施的Toroidal Field(TF)线圈偏转。 结果表明,与静态模型相比,在线学习对于保持ML模型性能至关重要,并将误差减少了80%。 此外,传统的在线学习可能会受到短期性能下降的影响,因为预测之前无法获得地面真相。 因此,我们提出了一个不确定性引导的在线集成方法,以进一步提高性能。 深度高斯过程近似(DGPA)技术用于校准不确定性估计,然后使用不确定性值来指导元算法,该算法基于在不同历史数据视界训练的学习者集合产生预测。 DGPA还为决策者提供了不确定性估计以及预测。 在线集成和拟议的不确定性引导在线集成将预测误差分别比基于标准的在线学习减少了约6%和10%。
我们之前在非线性 Vlasov-Poisson 系统的有限差分框架中将半拉格朗日自适应等级 (SLR) 集成器的工作扩展到一般高阶张量设置。 拟议的方案保留了半拉格朗日方法的高阶精度,确保了大时间步骤的稳定性,并避免了尺寸分裂错误。 本文的主要贡献是算法从矩阵到高维张量设置的新扩展,这使得Vlasov模型能够模拟多达六个维度的Vlasov模型。 关键技术组件包括:(1)以O(d^2)为尺度的三阶高维多项式重建,在半拉格朗日方案的特征脚下提供溶液的点向近似;(2)以分层Tucker格式对高阶张量进行递归分层自适应交叉近似,以张量树为特征;(3)低复杂度Pois。 计算自适应等级动力学解决方案在张量树的分支中表现出低等级结构,从而在存储和时间上节省了大量计算。 生成的算法实现了 O(d^4 N r^3+⌈log_2d⌉ 的计算复杂度,其中 N 是每个维度的网格点数,d 是问题维度,r 是张量树中的最大等级,克服了维度的诅咒。 通过广泛的数值测试,我们展示了拟议算法的效率,并强调了其捕获复杂解决方案结构的能力,同时保持了与N线性扩展的计算复杂性。
我们提出了一个用于模拟碰撞等离子体动力学的数值框架,该框架基于Vlasov-Maxwell-Landau系统的直接仿真蒙特卡洛(DSMC)和Particle-in-Cell(PIC)方法之间的耦合。 该方法将先前开发的用于均匀的Landau方程的DSMC技术扩展到完全不均匀的电磁机制。 Landau碰撞运算器通过随机粒子配方进行处理,灵感来自玻尔兹曼方程的放牧碰撞极限,该方程无需依赖完整的玻尔兹曼结构即可高效和物理一致的库仑相互作用表示。 由此产生的碰撞求解器通过操作员拆分与Vlasov-Maxwell动力学的标准PIC方案相结合,在选择现场离散和时间集成方面提供了灵活性。 整体方法保留了系统的主要物理不变性,同时保持计算效率和实现简单性。 关于基准问题的数字实验证明了耦合的DSMC-PIC方法在广泛的碰撞机制中的准确性,稳健性和有效性。
本文介绍了用于多模型仿真(PCMS)的并行耦合器,这是一种新的GPU加速广义耦合框架,用于在领导级超级计算机上耦合模拟代码。 PCMS包括分布式控制和现场映射方法,最多五个维度。 对于现场映射,PCMS可以利用离散化和现场信息来适应物理限制。 PCMS通过将陀螺微湍流代码XGC与蒙特卡罗中性传输代码DEGAS2耦合,并将高能粒子传输代码(GNET)耦合到陀螺微湍流代码(GTC)的5D分布功能来证明。 弱缩放也在多达2,080个Frontier的GPU上展示,弱扩展效率高达85%。
传统的PID控制器对等离子体形状控制的适应性有限,任务特定的强化学习(RL)方法受到有限的概括和重复再训练的需要。 为了克服这些挑战,本文提出了一个新的框架,用于从历史PID控制放电的大规模离线数据集中开发多功能的零镜头控制策略。 我们的方法协同将生成对抗性模仿学习(GAIL)与希尔伯特空间表示学习相结合,以实现双重目标:模仿PID数据的稳定操作风格,并构建几何结构的潜在空间,以实现高效,目标导向的控制。 由此产生的基础策略可以以零拍摄的方式部署不同的轨迹跟踪任务,而无需任何特定任务的微调。 对HL-3托卡马克模拟器的评估表明,该策略擅长精确和稳定地跟踪一系列等离子体场景中关键形状参数的参考轨迹。 这项工作为开发未来聚变反应堆的高度灵活和数据高效的智能控制系统提供了一条可行的途径。
JT-60SA是在日本中纳建造的大型超导托卡马克。 在成功实现第一个MA级等离子体后,正在安装几个额外的子系统,包括一组非轴对称误差场校正线圈(EFCC)。 优化未来的JT-60SA等离子体情景将在很大程度上取决于EFCC的正确使用,包括系统规范的仔细履行。 此外,早期ITER操作的准备和风险缓解将大大受益于早期EFCC应用于JT-60SA实验的经验,特别是优化错误现场检测和控制策略。 在这项工作中,EFCC在JT-60SA初始研究第一阶段透视情景中的应用进行了建模,包括等离子体响应。 (谐波)磁扰动对不同等离子体情景的影响通过线性电阻式MHD代码MARS-F评估核心和基座区域。 对EF的主要核心反应逐案讨论,并与文献中的模式锁定阈值进行比较。 然后将典型的电流/电压振幅和波形与EFCC规范进行比较,以评估安全的操作空间。
在波传播问题中,在交错网格上实现的有限差分方法通常用于避免棋盘模式,并提高解决方案短波长组件的近似精度。 在这项研究中,我们开发了一种在交错网格上的模拟有限差(MFD)方法,用于具有无发散缺陷的试验场的运输操作员,该试验场已被证明在波浪问题中是能量保护。 该方法模仿逐个部分(SBP)运算符框架的一些特征,特别是它在离散级别上保留了发散定理。 它的设计旨在多功能,适用于以无发散速度为特征的波浪问题。 作为应用程序,我们考虑静电剪切Alfvén波(SAW),出现在等离子体的建模中。 这些波在磁场配置中解决,召回托卡马克装置。 对与SAW相关的广义特征值问题的研究表明了离散方案的节能,证明了数值解决方案的稳定性。
理想磁流体动力学(MHD)平衡磁场的数字计算是恒星光导光的基础,并为解决更复杂的部分差分方程(如运输或湍流模型)提供了起点。 常规方法解决了理想MHD方程的单个固定点,该方程由三个不变值和求解器采用的数值方案完全定义。 我们提出了第一个数值方法,可以解决具有固定边界和旋转变换的均衡的连续分布,仅改变压力不变。 这种方法通过优化多层感知器(MLP)的参数来最小化力残余,该参数从标量压力倍增器映射到现代恒星器均衡求解器DESC中实现的傅里叶Zernike基础。
高强度激光等离子体相互作用会产生复杂的计算问题,因为它们涉及流体和动力学机制,这些机制需要保持物理精度,同时保持计算速度的模型。 该研究引入了一种基于机器学习的三维混合流体-粒子-细胞(PIC)系统,该系统将相对论等离子体行为与自动机制转换联系起来。 该技术采用流体近似为稳定区域,但当SwitchNet通过基于物理的合成数据训练将其引导到不稳定的部分时,会激活PIC求解器。 该模型使用Ammosov-Delone-Krainov(ADK)隧道和多光子电离率之间的平稳过渡来模拟电离,而Airy-function近似模拟量子电动力学(QED)效应,用于辐射反应和配对生产。 卷积神经网络通过基于物理的损耗函数应用能量守恒,该函数在每个通道的标准化字段上运行。 蒙特卡洛辍学提供不确定性测量。 混合模型产生精确的预测,测定系数(R^2)值高于0.95,所有现场组件的平均平方误差低于10^-4。 这种自适应方法增强了激光等离子体模拟的准确性和可扩展性,为高能密度和粒子加速应用提供了统一的预测框架。
核聚变在寻求可靠和可持续的能源生产方面起着关键作用。 可行的聚变功率的一个主要障碍是了解等离子体湍流,这显着损害了等离子体的束缚,并且对下一代反应堆设计至关重要。 等离子体湍流受非线性陀螺方程的支配,该方程随着时间的推移而演变为5D分布函数。 由于其高计算成本,在实践中通常采用低序模型来近似湍流的能量传输。 然而,它们省略了整个5D动力学所特有的非线性效应。 为了解决这个问题,我们介绍了GyroSwin,第一个可扩展的5D神经替代物,可以建模5D非线性陀螺动力学模拟,从而捕获被减少模型忽略的物理现象,同时提供湍流热传输的准确估计。GyroSwin(i)将分层视觉变压器扩展到5D,(ii)引入交叉注意和集成模块,用于潜在的3D↔5D相互作用。 我们证明GyroSwin在热通量预测方面优于广泛使用的减少数字,捕获湍流能量级联,并将完全解析的非线性陀螺仪的成本降低了三个数量级,同时保持物理可验证。 GyroSwin展示了有希望的缩放定律,测试了多达10亿个参数,为可扩展的神经代理铺平了道路,用于对等离子体湍流进行陀螺模拟。
我们提出了混合磁流体动力学(MHD)-流体动力学系统的结构保护离散化,用于模拟低频波-粒子相互作用。 模型方程来自一个变化原理,确保了MHD流体和漂移动力学粒子之间的高能量一致的耦合。 空间离散化基于MHD的有限元素外微积分(FEEC)框架和流动力学的粒子细胞(PIC)方法。 该计划的一个关键特征是将非四度粒子磁矩能量术语包含在Hamiltonian中,这是由引导中心近似引入的。 由此产生的离散哈密顿结构自然地将动力学组织成斜对称子系统,从而实现平衡的能量交换。 为了处理非四象限能量术语,我们开发基于离散梯度方法的能量保存时间集成器。 该算法在开源 Python 包 中实现。 数字实验证实了该方案的能量节约特性,并展示了在没有人工耗散或模式过滤的情况下模拟高能粒子(EP)诱导激发的躯干Alfvén特征模式(TAE)的能力。 这种能力突出了结构保护方案对混合系统进行高保真模拟的潜力。
准确的空间天气预报对于保护我们日益数字化的基础设施至关重要。 像Vlasiator这样的混合Vlasov模型提供了超出当前操作系统的物理现实主义,但计算成本太高,无法实时使用。 我们引入了一个基于图形的神经模拟器,在Vlasiator数据上训练,以自动递归地预测由上游太阳风驱动的近地空间条件。 我们展示了如何实现快速确定性预测,并使用生成模型,产生集合来捕捉预测的不确定性。 这项工作表明,机器学习提供了一种为现有空间天气预报系统添加不确定性量化能力的方法,并使混合-弗拉索夫模拟可操作。
分析和优化星形器配置的主要代码之一是EMC3代码,它实现了最先进的3D蒙特卡洛等离子体边缘传输代码。 然而,到目前为止,对E x B漂移的自我一致的处理是不存在的。 众所周知,这种等离子体漂移会显着影响等离子体边缘的粒子和热分布。 最好将这种漂移纳入EMC3,以提高代码的预测能力。 E x B漂移的计算需要电场E的近似,这与电势φ的梯度成正比。 在以前的研究中,梯度是用基于电势的有限差值的最小平方方法计算的。 然而,由于EMC3的随机性,代码计算的输出等离子体场本质上是嘈杂的。 有限差法进一步放大了噪声,随着网格尺寸减小,放大系数会越来越大。 我们继续从,它引入了一种新的噪声强效方法1D衍生物。 我们将噪声强效方法扩展到2D,并将其应用于电位。 我们表明,在均匀扩散系数的情况下,可以导出描述电场演化的PDE。 这种PDE允许我们通过蒙特卡洛模拟直接近似电场,从而避免了近似有限差的需要。 我们用测试案例说明方法的准确性和噪声稳健性。
数值流迭代方法最近被提出作为Vlasov-Poisson方程的内存lim解法。 它存储电场的时间演变,并通过在时间中回溯特征并从初始分布重建溶液,在每个时间步骤中重建溶液。 如果时间步骤的数量变得很大,这种重建的计算成本可能会变得令人望而却步。 给定中间解决方案的表示,通过在一定时间间隔后重新启动数值流迭代,可以减少特征曲线需要在时间上向后解决的时间间隔。 在本文中,我们提出了一个算法,该算法使用黑匣子近似在重新启动时重建解决方案的低等级表示。 拟议的算法降低了计算复杂性,与纯数值流迭代相比,从二次到线性的次数,同时仍然保持其内存复杂性。 另一方面,我们的数值结果表明,与半拉格朗日方法相比,这些方法保留了显示细丝消散程度要少得多的数值流迭代的属性。
等离子体的稳定性是一个具有挑战性的话题。 我们研究生活在均匀外部磁场中的等离子体的控制问题。 任何均衡μ的线性分析都通过Laplace-Fourier变换方法进行研究。 此外,以平衡稳定性为特征的Penrose条件为伯恩斯坦模式派生,并以数字验证。 基于线性分析,引入了一般控制策略,以恢复自由流解决方案为具体示例。 我们最后举了几个例子来控制不稳定,包括高斯均衡和多里-客哈里斯的不稳定性。
Trapped Gyro-Landau Fluid(TGLF)模型提供了对托卡马克斯湍流传输的快速,准确的预测,但需要数千次评估的整个设备模拟仍然具有计算成本。 神经网络(NN)替代物通过完全可微的近似值提供加速推理,从而实现基于梯度的耦合,但通常需要大型训练数据集来捕获等离子体条件下的运输通量变化,从而产生显着的训练负担并限制对昂贵的陀螺模拟的适用性。 我们提出了TGLF-SINN(光谱信息神经网络)有三个关键创新:(1)减少目标预测范围的原理特征工程,简化学习任务;(2)物理引导的传输光谱的正则化,以提高稀疏数据下的概括;(3)贝叶斯主动学习(BAL)根据模型不确定性战略性地选择训练样本,降低数据要求,同时保持准确性。 我们的方法通过显著更少的训练数据实现卓越的性能。 在离线设置中,TGLF-SINN将对数根均方误差(LRMSE)减少了12。 与当前基线相比,4%。 使用BAL的完整数据集的25%,我们仅比离线模型(0.0583)高出0.0165和0.0248。 在下游通量匹配应用中,我们的NN代理在TGLF上提供45倍的加速,同时保持可比的准确性,证明了为高保真模型训练高效代理的潜力,这些模型的数据采集成本高昂且稀疏。
继续滚动加载更多
