通过自适应参数空间采样高效训练碰撞辐射模型的人工神经网络代理模型
等离子体物理
2022-09-28 v3
摘要
用于磁约束聚变的可靠等离子体输运建模依赖于精确求解等离子体的离子电荷态分布和辐射功率损失。这些量可在等离子体输运模拟的每个时间步通过求解碰撞辐射（CR）模型获得。然而，即便是紧凑的近似 CR 模型，其计算评估也可能非常繁重，且在耦合等离子体输运代码中对这些模型进行原位评估会导致严重的瓶颈。绕过该瓶颈的一种方法是部署人工神经网络代理模型以快速评估所需的等离子体量。但是，训练准确的人工神经网络代理模型的一个问题在于依赖足够大且具有代表性的训练和验证数据集，而生成此类数据非常耗时。本研究进一步探索了一种数据驱动的主动学习与训练方案，以实现问题参数空间的自主自适应采样，从而确保为代理模型训练组装足够大且有意义的训练数据集。我们的数值实验表明，为产生精度相当的 CR 代理模型，所提方法所需的数据样本总数比传统方法少一个数量级。
引用
@article{arxiv.2112.05325,
title = {Efficient training of artificial neural network surrogates for a collisional-radiative model through adaptive parameter space sampling},
author = {Nathan A. Garland and Romit Maulik and Qi Tang and Xian-Zhu Tang and Prasanna Balaprakash},
journal= {arXiv preprint arXiv:2112.05325},
year = {2022}
}