迁移学习作为一种在模拟中复现高保真非局部热力学平衡不透明度的方法
计算物理
2023-01-25 v1 机器学习
等离子体物理
摘要
高能量密度物理的模拟通常需要非局部热力学平衡(NLTE)不透明度数据。然而,以相对较低保真度生成该数据的代价高昂。以高保真度生成时更是如此,以至于不透明度计算可占总计算时间的百分之九十五。这一比例甚至可能达到很大的比重。神经网络可用于替代低保真度数据的标准计算,并且可训练神经网络以复现人工的高保真不透明度谱。本工作中,展示了一种通过迁移学习训练用于复现高保真氪谱的新型神经网络架构可用于模拟中。进一步表明,在实现对黑腔峰值辐射温度约1%至4%的相对百分比误差的同时,可获得19.4倍的加速。
引用
@article{arxiv.2205.14520,
title = {Transfer Learning as a Method to Reproduce High-Fidelity NLTE Opacities in Simulations},
author = {Michael D. Vander Wal and Ryan G. McClarren and Kelli D. Humbird},
journal= {arXiv preprint arXiv:2205.14520},
year = {2023}
}