基于物理信息神经网络的中低温等离子体模拟：框架与初步应用
等离子体物理
2022-12-02 v1 计算物理
摘要
等离子体模拟是研究等离子体行为的重要且有时是唯一的方法。本工作中，我们提出两种通用的、由人工智能驱动的低温等离子体模拟框架：系数子网络物理信息神经网络（CS-PINN）与龙格-库塔物理信息神经网络（RK-PINN）。CS-PINN使用神经网络或插值函数（如样条函数）作为子网络，以近似等离子体方程中与解相关的系数（如电子碰撞截面、热力学性质、输运系数等）。在此基础上，RK-PINN将隐式龙格-库塔格式融入神经网络，以实现对瞬态等离子体的大时间步预测。CS-PINN与RK-PINN均学习从时空空间到方程解的复杂非线性映射关系。基于这两个框架，我们通过涵盖等离子体动力学与流体建模的四个案例展示了初步应用。结果验证了CS-PINN与RK-PINN在求解等离子体方程方面均具有良好性能。此外，RK-PINN能够针对瞬态等离子体模拟，在采用大时间步且仅有有限含噪传感数据的情况下给出良好解。
引用
@article{arxiv.2206.15294,
title = {Low-temperature plasma simulation based on physics-informed neural networks: frameworks and preliminary applications},
author = {Linlin Zhong and Bingyu Wu and Yifan Wang},
journal= {arXiv preprint arXiv:2206.15294},
year = {2022}
}