FTL：基于深度神经网络的低维嵌入中非线性等离子体动态过渡的迁移学习

深度学习算法为研究高维动力学行为（如熔融等离子体系统中的行为）提供了新的范式。开发新型模型简化方法，结合等离子体物理中的异常模式检测，为构建高效模型以识别等离子体不稳定性（用于实时控制）提供了独特机会。我们的融合迁移学习（FTL）模型在从有限数量的非线性模拟数据中学习后，成功地重建了非线性螺旋模式结构。知识迁移过程利用预训练的神经编码器-解码器网络，该网络最初在线性模拟中进行训练，以有效捕获非线性动力学。低维嵌入提取感兴趣的一致结构，同时保留复杂系统的固有动力学。实验结果突出了FTL捕捉等离子体动力学中过渡行为和动力学特征的能力——这通常是传统方法面临的挑战。本研究开发的模型具有可扩展性，通过迁移学习可广泛应用于解决各种磁流体动力学（MHD）模式。