FTL: Transfer Learning Nonlinear Plasma Dynamic Transitions in Low Dimensional Embeddings via Deep Neural Networks

要約

深層学習アルゴリズムは、核融合プラズマ システムなどの高次元の動的挙動を研究するための新しいパラダイムを提供します。
新しいモデル削減手法の開発と、プラズマ物理学による異常モードの検出とを組み合わせることで、リアルタイム制御のためのプラズマの不安定性を特定するための効率的なモデルを構築するユニークな機会が開かれます。
当社の融合転移学習 (FTL) モデルは、限られた量の非線形シミュレーション データから学習することにより、非線形キンク モード構造の再構築に成功したことを示しています。
知識伝達プロセスでは、最初に線形シミュレーションでトレーニングされた、事前トレーニング済みのニューラル エンコーダ/デコーダ ネットワークを利用して、非線形ダイナミクスを効果的にキャプチャします。
低次元の埋め込みは、複雑なシステムの固有のダイナミクスを維持しながら、対象の一貫した構造を抽出します。
実験結果は、プラズマダイナミクスにおける遷移挙動と動的特徴を捕捉する FTL の能力を強調しています。これは従来の方法ではしばしば困難な課題でした。
この研究で開発されたモデルは一般化可能であり、さまざまな磁気流体力学 (MHD) モードに対応するために転移学習を通じて幅広く拡張できます。

要約(オリジナル)

Deep learning algorithms provide a new paradigm to study high-dimensional dynamical behaviors, such as those in fusion plasma systems. Development of novel model reduction methods, coupled with detection of abnormal modes with plasma physics, opens a unique opportunity for building efficient models to identify plasma instabilities for real-time control. Our Fusion Transfer Learning (FTL) model demonstrates success in reconstructing nonlinear kink mode structures by learning from a limited amount of nonlinear simulation data. The knowledge transfer process leverages a pre-trained neural encoder-decoder network, initially trained on linear simulations, to effectively capture nonlinear dynamics. The low-dimensional embeddings extract the coherent structures of interest, while preserving the inherent dynamics of the complex system. Experimental results highlight FTL’s capacity to capture transitional behaviors and dynamical features in plasma dynamics — a task often challenging for conventional methods. The model developed in this study is generalizable and can be extended broadly through transfer learning to address various magnetohydrodynamics (MHD) modes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google