用于非线性等离子体动力学的时空神经代理模型：GKFieldFlow
等离子体物理
2026-01-07 v1
摘要
我们提出了 GKFieldFlow，这是一个用于非线性等离子体涡旋湍流的新型三维自回归深度学习代理模型。基于 FieldFlow-Net 架构，该模型结合了在演化等离子体电势场上运行的多分辨率 3D U-Net 编码器-解码器。稀膨时序卷积网络（TCN）学习潜在湍流特征的时间演化。GKFieldFlow 同时实现（i）从 CGYRO 等离子体湍流预测离子和电子能量通量以及粒子通量，（ii）以所需的空间分辨率自回归地预测未来电势场。这使模型能够复制瞬时传输以及产生其背后时空动力学。该架构在设计上具有物理信息：3D 卷积保持等离子体涡旋波动的各向异性几何和相位结构，而稀膨时序卷积捕捉多尺度动力学耦合，如湍流与 Z onal 流相互作用、湍流去相关以及间歇性脉冲传输。我们提供了数据结构、模型组件以及每种架构选择背后理由的完整技术描述。该模型在所有三个传输通道上均实现高精度，多时段推理保持鲁健性。自回归场滚动保留 CGYRO 非线性状态的谱内容、相位相干性和能量分布，具有高度保真度，通量预测在 CGYRO 中的误差较小。本工作将 GKFieldFlow 作为能够联合学习湍流动力学和传输的数据驱动简化模型。
引用
@article{arxiv.2601.02614,
title = {GKFieldFlow: A Spatio-Temporal Neural Surrogate for Nonlinear Gyrokinetic Turbulence},
author = {Arash Ashourvan},
journal= {arXiv preprint arXiv:2601.02614},
year = {2026}
}