用于等离子体科学中表示学习的全卷积时空模型
计算物理
2020-09-29 v2 等离子体物理
摘要
我们训练了一个全卷积时空模型，用于聚变能等离子体科学这一极具挑战性的示例应用领域中的快速且准确的表示学习。大破裂的 onset 是先进托卡马克必须解决的关键聚变能科学(FES)问题。尽管已有多种统计方法用于托卡马克破裂预测与控制，但基于深度学习的近期方法已被证明尤其引人注目。本文中，我们对聚变循环神经网络(FRNN)软件套件作了进一步改进。迄今为止，FRNN基于循环神经网络的长短期记忆(LSTM)变体来利用数据中的时间信息。在此，我们实现并将时间卷积神经网络(TCN)架构应用于时间相关输入信号，从而使FRNN架构成为全卷积。这使得高度优化的卷积运算承担训练的主要计算负载，从而缩短训练时间，并有效利用高性能计算(HPC)资源进行超参数调优。同时，基于TCN的架构在大型代表性聚变数据库上取得了与LSTM架构相当或更好的预测性能。在数据丰富的科学学科中，这些结果对基于深度学习的通用时空特征提取器的资源高效训练具有启示意义。此外，这一具有挑战性的示例案例研究展示了一种具有灵活架构选择选项的预测平台的优势，该平台能够易于调优和适配，以响应大型现代观测数据集中日益出现的预测需求。
引用
@article{arxiv.2007.10468,
title = {Fully Convolutional Spatio-Temporal Models for Representation Learning in Plasma Science},
author = {Ge Dong and Kyle Gerard Felker and Alexey Svyatkovskiy and William Tang and Julian Kates-Harbeck},
journal= {arXiv preprint arXiv:2007.10468},
year = {2020}
}