用于状态方程计算的物理增强神经网络
计算物理
2023-12-12 v2 等离子体物理
摘要
在温稠密物质 regime 中，快速获取精确的状态方程（EOS）数据至关重要，因为它被应用于多种场景，例如为模拟惯性约束聚变过程的流体力学代码提供输入。在本研究中，我们基于第一性原理数据开发用于预测 EOS 的神经网络模型。第一个模型利用基本物理属性，而第二个模型融入更精细的物理信息，使用平均原子计算的输出作为特征。平均原子模型常被认为在精度与速度间提供了合理的平衡；然而，我们对平均原子模型与更高保真度计算的比较表明，在温稠密物质 regime 中需要更精确的模型。我们提出的两种神经网络模型，尤其是物理增强的模型，展现出作为温稠密物质中计算 EOS 数据的精确且高效方法的显著潜力。
引用
@article{arxiv.2305.06856,
title = {Physics-enhanced neural networks for equation-of-state calculations},
author = {Timothy J. Callow and Jan Nikl and Eli Kraisler and Attila Cangi},
journal= {arXiv preprint arXiv:2305.06856},
year = {2023}
}
备注
57 pages, 16 figures. Accepted for publication in Machine Learning: Science and Technology