Do Graph Neural Networks Dream of Landau Damping? Insights from Kinetic Simulations of a Plasma Sheet Model

要約

私たちは、プラズマ物理学動力学シミュレーターをグラフ ニューラル ネットワーク ベースのシミュレーターに完全に置き換える可能性を探ります。
メッセージパッシング更新メカニズムと従来の物理ソルバー更新の間の類似性、およびグラフの構築と更新に既知の物理事前分布を適用できる可能性を考慮して、このクラスのサロゲート モデルに焦点を当てます。
私たちのモデルは、現代の動的プラズマ シミュレーション コードの前身である 1 次元プラズマ モデルの動的プラズマ ダイナミクスを学習し、プラズマの熱化、熱平衡に関する静電変動、
そして高速シート上の抵抗とランダウダンピング。
実行時間、保存則、主要な物理量の時間的発展の観点から、元のプラズマ モデルとパフォーマンスを比較します。
モデルの限界が提示され、動的プラズマの高次元代理モデルの可能な方向性が議論されます。

要約(オリジナル)

We explore the possibility of fully replacing a plasma physics kinetic simulator with a graph neural network-based simulator. We focus on this class of surrogate models given the similarity between their message-passing update mechanism and the traditional physics solver update, and the possibility of enforcing known physical priors into the graph construction and update. We show that our model learns the kinetic plasma dynamics of the one-dimensional plasma model, a predecessor of contemporary kinetic plasma simulation codes, and recovers a wide range of well-known kinetic plasma processes, including plasma thermalization, electrostatic fluctuations about thermal equilibrium, and the drag on a fast sheet and Landau damping. We compare the performance against the original plasma model in terms of run-time, conservation laws, and temporal evolution of key physical quantities. The limitations of the model are presented and possible directions for higher-dimensional surrogate models for kinetic plasmas are discussed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google