基于谱学习的磁性等离子体动力学：神经算子应用
高能天体物理现象
2025-07-03 v1 计算物理
摘要
傅里叶神经算子（FNOs）提供了一种无网格的方式来学习偏微分方程的解算子，但其对于磁性湍流的有效性尚未充分探讨。本文在2维Orszag-Tang涡旋——一种经典非理想磁性流体动力学（MHD）基准问题——上训练FNO代理模型，跨越多个粘性和磁化扩散参数组合。在未见的参数组合上，该模型在速度上实现约的均方误差，在磁场上实现约的均方误差，能量谱和耗散率准确率达到96%，并在长时间尺度上保持时序一致性。谱分析显示，大尺度和中尺度结构的准确恢复，小尺度因傅里叶模式截断而出现性能下降。相对于UNet基线，FNO将误差降低97%；相对于高阶有限体积求解器，推理速度提升25倍，为MHD仿真中的快速参数扫描提供了实用路径。
引用
@article{arxiv.2507.01388,
title = {Spectral Learning of Magnetized Plasma Dynamics: A Neural Operator Application},
author = {Roberta Duarte and Rodrigo Nemmen and Reinaldo Santos-Lima},
journal= {arXiv preprint arXiv:2507.01388},
year = {2025}
}
备注
Submitted to Journal of Computational Physics