面向融合装置的基于线积分诊断的物理信息深度学习模型
机器学习
2025-06-10 v3 计算工程、金融与科学
摘要
从线积分测量快速重建二维等离子体轮廓在核聚变研究中具有重要意义。本文引入一种物理信息模型架构，称为 Onion，可提升模型性能并适用于各种背板网络。该模型通过乘法过程融合物理信息，并依据线积分原理应用物理信息损失函数。预测结果表明，输入物理信息可提升深度学习模型能力，使重建轮廓与目标轮廓之间的平均相对误差 E_1 在合成数据集上约降低 0.84×10^(-2)，在实验数据集上约降低 0.06×10^(-2)。此外，在最终两个全连接层中采用 Softplus 激活函数可进一步提升模型性能，该改进使 E_1 在合成数据集上约降低 1.06×10^(-2)，在实验数据集上约降低 0.11×10^(-2)。物理信息损失函数的应用已被证明可纠正模型预测，使反投影更接近实际输入，减少反演算法的误差。此外，我们开发了用于生成定制线积分诊断数据集的合成数据模型，并收集了来自 EAST 和 HL-2A 的软 X射线诊断数据集。本研究实现了重建误差的降低，加速了融合研究中代理模型的开发。
引用
@article{arxiv.2412.00087,
title = {Physics-Informed Deep Learning Model for Line-integral Diagnostics Across Fusion Devices},
author = {Cong Wang and Weizhe Yang and Haiping Wang and Renjie Yang and Jing Li and Zhijun Wang and Yixiong Wei and Xianli Huang and Chenshu Hu and Zhaoyang Liu and Xinyao Yu and Changqing Zou and Zhifeng Zhao},
journal= {arXiv preprint arXiv:2412.00087},
year = {2025}
}