基于自组织映射（SOM）的等离子体团不稳定性全动力学模拟无监督分类
等离子体物理
2023-04-27 v1 机器学习
神经与进化计算
空间物理
摘要
空间物理过程的模拟与观测所产生的数据量日益增长，推动了根植于机器学习的方法用于数据分析与物理发现。我们将一种基于自组织映射（SOM）的聚类方法应用于等离子体团不稳定性的全动力学模拟，旨在评估其作为模拟与观测数据可靠分析工具的适用性。我们获得的聚类在事后很好地映射到我们对该过程的认知：这些聚类清晰识别出流入区、内部等离子体团区、分隔线，以及与等离子体团合并相关的区域。SOM 特有的分析工具，如特征图与统一距离矩阵，为人们提供了关于作用中物理机制及特定空间兴趣区域的宝贵见解。该方法作为模拟与观测数据分析的一种有前景的选择而出现，并也可能潜在用于触发空间耦合代码中不同模拟模型或分辨率的切换。
引用
@article{arxiv.2304.13469,
title = {Unsupervised classification of fully kinetic simulations of plasmoid instability using Self-Organizing Maps (SOMs)},
author = {Sophia Köhne and Elisabetta Boella and Maria Elena Innocenti},
journal= {arXiv preprint arXiv:2304.13469},
year = {2023}
}