基于物理信息神经网络的数据驱动朗道阻尼建模

动理学方法在处理微观尺度等离子体物理问题时通常准确，但对于大尺度或多尺度系统计算成本高昂。等离子体物理中长期存在的问题之一是将动理学物理整合进流体模型，这通常通过复杂的解析闭合项实现。本文中，我们利用机器学习成功构建了包含隐含于神经网络中流体闭合的多矩流体模型。该多矩流体模型使用来自朗道阻尼动理学模拟的少量稀疏采样数据，通过物理信息神经网络（PINN）与梯度增强物理信息神经网络（gPINN）进行训练。使用 PINN 或 gPINN 构建的多矩流体模型复现了电场能量的时间演化（包括其阻尼率）以及动理学模拟中的等离子体动力学。此外，我们引入一种 gPINN 架构变体，即 gPINN$p$，以捕捉朗道阻尼过程。gPINN$p$ 并非包含所有方程残差的梯度，仅将压力方程残差的梯度作为附加约束。三种方法中，gPINN$p$ 构建的多矩流体模型给出最准确结果。本工作为大尺度系统的准确高效建模提供启示，可扩展至复杂的多尺度实验室、空间及天体物理等离子体问题。