用于Landau流体闭合的机器学习代理模型
计算物理
2020-04-22 v2 等离子体物理
摘要
本文给出了将机器学习/深度学习技术应用于流体闭合问题的首个结果。作为开端，我们构建并训练了三种不同类型的神经网络（多层感知机（MLP）、卷积神经网络（CNN）和两层离散傅里叶变换（DFT）网络），以在构型空间中学习著名的Hammett-Perkins Landau流体闭合。我们发现，要训练出性能良好的网络，需要最小规模的训练数据集；尽管训练数据是在构型空间中输入的，MLP还需要隐藏层中不少于傅里叶空间自由度数量的最小神经元数。在这三种模型中，DFT对干净数据表现最佳，很可能是由于Hammett-Perkins闭合存在简单的傅里叶表达式，但它对输入噪声的鲁棒性最差。总体而言，经过适当的调优与优化，三种神经网络均能准确预测Hammett-Perkins闭合并再现其固有的非局域特征，这表明利用机器学习/深度学习技术计算更复杂的闭合是一条有前景的路径。
引用
@article{arxiv.1909.11509,
title = {Machine Learning Surrogate Models for Landau Fluid Closure},
author = {Chenhao Ma and Ben Zhu and Xue-qiao Xu and Weixing Wang},
journal= {arXiv preprint arXiv:1909.11509},
year = {2020}
}