用于加速日冕磁场模型的全局-局部傅里叶神经算子
太阳与恒星天体物理
2024-09-10 v3 人工智能
机器学习
空间物理
摘要
鉴于显著影响各种太阳事件的复杂磁场结构，探索太阳外层大气一直是天体物理学中的一个重大瓶颈。磁流体力学（MHD）模拟使我们能够对太阳等离子体、磁场与周围环境之间的复杂相互作用进行建模。然而，MHD 模拟极其耗时，需要数天或数周的时间。本研究的目标是利用深度学习，具体即傅里叶神经算子（FNO）来加速日冕磁场模拟。文献已证明 FNO 是科学计算与发现的理想工具。在本文中，我们提出了一种全局-局部傅里叶神经算子（GL-FNO），包含两个 FNO 分支：全局 FNO 分支接收下采样输入以重建全局特征，而局部 FNO 分支接收原始分辨率输入以捕捉精细细节。我们将 GL-FNO 的性能与最先进的深度学习方法进行了比较，包括 FNO、U-NO、U-FNO、Vision Transformer、CNN-RNN 和 CNN-LSTM，以证明其准确性、计算效率和可扩展性。此外，领域专家还进行了物理分析以证明 GL-FNO 的可靠性。结果表明，GL-FNO 不仅加速了 MHD 模拟（预测仅需几秒钟，加速超过 20,000 倍），而且提供了可靠的预测能力，从而极大地促进了对空间天气动力学的理解。我们的代码实现可在 https://github.com/Yutao-0718/GL-FNO 获取。
引用
@article{arxiv.2405.12754,
title = {Global-local Fourier Neural Operator for Accelerating Coronal Magnetic Field Model},
author = {Yutao Du and Qin Li and Raghav Gnanasambandam and Mengnan Du and Haimin Wang and Bo Shen},
journal= {arXiv preprint arXiv:2405.12754},
year = {2024}
}
备注
10 pages