DustNET：为尘埃等离子体启用机器学习和AI模型
等离子体物理
2026-04-17 v4
摘要
尘埃等离子体遍及宇宙，包括实验室和工业等离子体、聚变装置、行星环境、彗星彗核和星际介质。尽管数十年的研究，许多方面仍在统一框架内缺乏理解。虽然诸多理论和数值模型描述特定现象，如尘埃充电、运输、波和自组织，但跨越实验室和自然系统中广泛空间和时间尺度的完全预测模型仍显得遥不可及。常规等离子体描述依赖于用于粒子密度、动量和能量的耦合微分方程，但其解决方案常因计算成本、数值不确定性以及边界条件和输运过程的不完整认识而受限。近期进展表明，机器学习（ML），特别是深度神经网络，为补充传统基于物理的建模提供了新机会。本文综述了机器学习和人工智能（AI）方法，称为自下而上数据驱动方法，用于尘埃等离子体研究。核心是Dust Neural nEtworks Technology（DustNET），一个受ImageNet启发的社区驱动数据集计划，集成实验、仿真和合成数据，以实现预测建模、不确定性量化和多尺度分析。DustNET训练的模型也可在边缘计算约束下部署到实际实验室设置中。结合新兴的多模态AI基础模型和自主智能体，该框架为实现跨实验室、工业、空间和天体环境的统一、物理信息尘埃等离子体理解提供了路径。
引用
@article{arxiv.2603.17493,
title = {DustNET: enabling machine learning and AI models of dusty plasmas},
author = {Zhehui Wang and Justin C. Burton and Niklas Dormagen and Cheng-Ran Du and Yan Feng and John E. Foster and Susan S. Glenn and Max Klein and Christina A. Knapek and Lorin Matthews and André Melzer and Edward Thomas and Chuji Wang and Jalaan Avritte and Shan Chang and Neeraj Chaubey and Pubuduni Ekanayaka and John A. Goree and Truell Hyde and Chen Liang and Zhuang Liu and Zhuang Ma and Ilya Nemenman and Elon Price and A. S. Schmitz and Mike Schwarz and Saikat C. Thakur and M. H. Thoma and Hubertus M. Thomas and L. Wimmer and Wei Yang and Zimu Yang and Xiaoman Zhang},
journal= {arXiv preprint arXiv:2603.17493},
year = {2026}
}
备注
61 pages, 35 figures, 490+ references