数据驱动的等离子体建模：基于深度生成自编码器的含氟碳等离子体代理碰撞辐射模型
等离子体物理
2023-06-27 v1
摘要
我们开发了一种深度生成模型，仅以施加的线圈功率、电极功率、压力和气体流量作为输入，即可生成ICP等离子体的精确光学发射光谱和彩色图像——本质上是一种经验性代理碰撞辐射模型。自编码器在一个包含812,500对图像/光谱的数据集上训练，该数据集来自工业等离子体刻蚀设备中的氩、氧、Ar/O₂、CF₄/O₂和SF₆/O₂等离子体，覆盖了设备的整个操作空间。自编码器学习将输入数据编码为压缩的潜空间表示，再解码回数据的重构。我们学习将等离子体设备的输入映射到潜空间，并利用解码器创建生成模型。该模型速度极快，在单个GPU上生成10,000次测量仅需10余秒。此类模型可成为广泛实验与仿真的构建模块。为此，我们已发布用于训练模型的底层812,500对图像/光谱数据集、训练好的模型及模型代码，供学界加速这一令人振奋的深度学习领域的发展与应用。任何人都可在Google Colab上免费试用该模型。
引用
@article{arxiv.2306.14785,
title = {Data-driven plasma modelling: Surrogate collisional radiative models of fluorocarbon plasmas from deep generative autoencoders},
author = {Gregory A. Daly and Jonathan E. Fieldsend and Geoff Hassall and Gavin Tabor},
journal= {arXiv preprint arXiv:2306.14785},
year = {2023}
}
备注
14 pages, 10 figures, 5 tables