PulseAugur
实时 13:12:53
English(EN) Towards Data-Efficient Cross-Device Generalization of Grad-Shafranov Equilibria via Transfer Learning Neural Operator

神经算子框架加速聚变平衡重建

研究人员开发了一种新颖的神经算子框架,以加速聚变设备中磁流体动力学平衡的实时重建。该方法将平衡重建重塑为跨设备算子学习问题,直接将几何和剖面参数映射到极向磁通场。小波神经算子架构展示了强大的跨几何性能,在有限的标记数据下实现了低相对 L2 误差,并实现了毫秒级推理。 AI

影响 为复杂的科学模拟实现更快、更具泛化性的 AI 模型,可能加速聚变能源研究。

排序理由 学术论文,详细介绍了一种新的 AI 驱动科学模拟方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jay Phil Yoo, William Howes, Yashika Ghai, Kazuma Kobayashi, Souvik Chakraborty, Syed Bahauddin Alam ·

    Towards Data-Efficient Cross-Device Generalization of Grad-Shafranov Equilibria via Transfer Learning Neural Operator

    arXiv:2606.15512v1 Announce Type: new Abstract: Real-time reconstruction of magnetohydrodynamic equilibria is essential for plasma shaping, stability assessment and feedback control in magnetic confinement fusion. However, Grad-Shafranov equilibrium calculations remain largely de…