PulseAugur
中
实时 11:01:22
English(EN) Data-Driven Reconstruction of Spatially Resolved Electron and Ion Energy Distributions from Macroscopic Plasma Quantities with Deep Neural Networks

深度学习从宏观测量中重建等离子体动力学数据

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个深度学习框架，可以从宏观测量中重建低温等离子体的详细动力学信息。通过在PIC-MCC模拟数据上训练U-Net、傅里叶神经网络算子（FNO）和MeshGraphNet等神经网络，该系统可以从非侵入性测量的等离子体可观测量中推断出电子和离子能量分布函数（EEDFs/IEDFs）。FNO模型表现出最佳性能，能够准确恢复等离子体密度、温度和速率系数，这有望推动等离子体诊断和代理建模的发展。 AI

影响 实现了更准确、侵入性更小的等离子体诊断，可能加速材料科学和聚变能源领域的研究。

排序理由 研究论文，详细介绍了深度学习在重建科学数据方面的新应用。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

深度学习从宏观测量中重建等离子体动力学数据

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Libin Varghese, Kaushik Prajapati, Bhaskar Chaudhury ·

    利用深度神经网络从宏观等离子体量中数据驱动地重建具有空间分辨率的电子和离子能量分布

    arXiv:2608.16519v1 Announce Type: cross Abstract: Spatially resolved EEDFs/IEDFs provide essential kinetic information about low-temperature plasmas (LTPs) and play a central role in determining transport, chemical reaction rates, and plasma surface interactions. While kinetic si…

  2. Hugging Face Daily Papers TIER_1 English(EN) ·

    利用深度神经网络从宏观等离子体量中数据驱动地重建具有空间分辨率的电子和离子能量分布

    Spatially resolved EEDFs/IEDFs provide essential kinetic information about low-temperature plasmas (LTPs) and play a central role in determining transport, chemical reaction rates, and plasma surface interactions. While kinetic simulations directly resolve these distributions, ex…

相关实体

相关话题