利用深度神经网络从群数据中提取电子散射截面
等离子体物理
2021-05-27 v1 机器学习
摘要
电子-中性粒子散射截面是用于当今许多技术应用的低温等离子体模拟中的基本量。由这些微观截面可以计算出若干宏观量（称为“群”参数）。然而，截面的测量与理论计算都具有挑战性。自20世纪60年代以来，研究者一直试图求解由群数据获取截面的逆群问题；但解未必唯一。为解决此问题，我们考察了深度学习的应用，该模型使用LXCat网站上不同气体已有的弹性动量转移、电离和激发截面的先前确定值，以及利用BOLSIG+求解器对弱电离气体中电子玻尔兹曼方程进行数值解算得到的相应群参数进行训练。我们实现了人工神经网络(ANN)、卷积神经网络(CNN)和稠密连接卷积网络(DenseNet)用于本研究。据我们所知，尚无探索使用CNN和DenseNet求解逆群问题的研究。我们测试了所有这些训练网络对广泛气体种类的预测有效性，并推断DenseNet能有效从群数据中提取长程与短程特征，因此相比ANN其截面预测精度显著更高。此外，我们采用蒙特卡洛丢弃作为贝叶斯近似来估计截面的概率分布，以确定该逆问题的所有可行解。
引用
@article{arxiv.2011.14711,
title = {Extracting Electron Scattering Cross Sections from Swarm Data using Deep Neural Networks},
author = {Vishrut Jetly and Bhaskar Chaudhury},
journal= {arXiv preprint arXiv:2011.14711},
year = {2021}
}