基于主动学习和不确定性感知神经网络的等离子体湍流输运代理模型高效数据集构建
等离子体物理
2025-09-04 v1 机器学习
摘要
本工作演示了一种验证原理：结合不确定性感知架构、主动学习技术以及内置物理仿真代码作为数据标签器，用于构建数据驱动的代理模型生成的高效数据集。该策略建立在之前已成功证明的静态预标记数据集上进行训练集缩减的 ADEPT 框架基础上。本研究特别针对小规模数据集进行了应用，这些数据集可作为更昂贵代码（如 CGYRO 或 GENE）的代理。新实现的算法使用 SNGP 架构处理分类组件，使用 BNN-NCP 架构处理回归组件，针对所有湍流模式（ITG、TEM、ETG）以及所有输运通量（、、、 和 ）训练模型。经过 45 次主动学习迭代，从初始规模为 的训练集扩展至最终规模为 的训练集后，所得模型在独立测试集上实现约 0.8 的 分数和约 0.75 的 回归性能。虽然本实现的改进率低于预期，但该技术的组件具有可升级和可泛化到等离子体湍流预测之外的许多代理模型应用的潜力。
引用
@article{arxiv.2507.15976,
title = {Efficient dataset construction using active learning and uncertainty-aware neural networks for plasma turbulent transport surrogate models},
author = {Aaron Ho and Lorenzo Zanisi and Bram de Leeuw and Vincent Galvan and Pablo Rodriguez-Fernandez and Nathaniel T. Howard},
journal= {arXiv preprint arXiv:2507.15976},
year = {2025}
}