核聚变与高能天体物理反问题中改进的降维方法
机器学习
2025-05-09 v1 天体物理仪器与方法
核理论
计算物理
摘要
核聚变和高能天体物理研究中的许多反问题，例如托卡马克反应堆几何的优化或从干涉测量图像推断黑洞参数，都需要进行高维参数扫描和大量的模拟集合。这类反问题通常涉及巨大的不确定性，既包括被反演的测量参数，也包括底层物理模型本身。蒙特卡洛采样与现代非线性降维技术（如自编码器和流形学习）相结合，可用于显著缩小参数空间的规模。然而，无法保证由此产生的参数组合在物理上是有效的，甚至在数学上是一致的。在这篇立场论文中，我们倡导采用一种混合方法，利用我们在数值算法形式化验证方法开发方面的最新进展，目标是构建具有可证明的数学和物理正确性的参数空间约束，同时仍然尊重实验不确定性和底层物理过程中的不确定性。
引用
@article{arxiv.2505.03849,
title = {Improved Dimensionality Reduction for Inverse Problems in Nuclear Fusion and High-Energy Astrophysics},
author = {Jonathan Gorard and Ammar Hakim and Hong Qin and Kyle Parfrey and Shantenu Jha},
journal= {arXiv preprint arXiv:2505.03849},
year = {2025}
}
备注
2 pages. Position paper accepted to DOE-ASCR Inverse Methods for Complex Systems under Uncertainty Workshop (Rockville, MD, United States, June 10-12, 2025)