神经算子学习磁流体动力学的局部物理

磁流体动力学（MHD）在描述等离子体和导电流体的动力学中起着关键作用，对于理解恒星和星系的结构与演化等现象至关重要，并且在核聚变中通过理想MHD方程描述等离子体运动。求解这些双曲型偏微分方程需要复杂的数值方法，由于复杂的结构和高昂的计算成本，带来了计算挑战。最近的进展引入了神经算子，如傅里叶神经算子（FNO），作为传统数值分析的替代模型。本研究探索了一种改进的通量傅里叶神经算子模型来近似理想MHD的数值通量，提供了一种新颖的方法，通过实现连续推理、在采样分布之外的泛化以及比经典数值方案更快的计算，优于现有的神经算子模型。