用于非线性 Landau 阻尼多矩流体建模的机器学习热通量闭合

非线性等离子体物理问题通常通过对相空间进行全面建模来模拟。此类模拟的极高计算成本促使了多矩流体模型的发展。然而，这些流体模型面临的一个主要挑战是寻找合适的流体闭合。物理内嵌机器学习的最新进展重新激发了人们对构建精确流体闭合项的兴趣。在本研究中，我们采用一种将来自第一性原理 Vlasov 模拟的动力学物理通过热通量闭合项集成到流体模型中的方法，使用 Fourier 神经算子——一种神经网络架构。无需解析相空间动力学，这种新的流体模型就能够捕捉 Landau 阻尼过程的非线性演化，且与 Vlasov 模拟结果完全匹配。这种机器学习辅助的新方法提供了一个计算成本可承受的框架，在准确建模复杂等离子体系统的动力学演化方面超越了以往的流体模型。