В реакторах ядерного синтеза, часто именуемых «искусственным солнцем», высокотемпературная плазма состоит из отрицательно заряженных электронов и положительно заряженных ионов, столкновения между которыми требуют точного математического описания для устойчивого протекания реакции.
Профессор Джимин Ли и профессор Эйсунг Юн из кафедры ядерной инженерии в UNIST проводят исследования, результаты которых опубликованы в Journal of Computational Physics. Это сотрудничество представляет важный шаг в повышении эффективности моделирования процессов в плазме.
Классический метод описания кулоновских столкновений основывается на уравнении Фоккера–Планка–Ландау, традиционно решаемом итерационными алгоритмами, что требует значительных вычислительных ресурсов и времени.
Новейший подход – FPL-net – использует глубокое обучение для однократного вычисления нелинейного оператора столкновений, обеспечивая ускорение расчётов в 1000 раз при исключительной точности с погрешностью всего 0,00001.
Особое внимание уделено сохранению физически значимых величин: плотности, импульса и энергии, что достигается интеграцией специальных функций в процесс обучения искусственного интеллекта.
Симуляции теплового равновесия подтвердили, что накопление ошибок без применения технологии FPL-net препятствует корректному установлению равновесия, демонстрируя эффективность нового метода.
Использование графических процессоров (GPU) в сочетании с алгоритмами глубокого обучения кардинально снижает время вычислений по сравнению с традиционными симуляционными кодами на CPU, что открывает перспективы для подробного турбулентного анализа в реальных токамаках и развития технологий цифровых двойников.
На текущем этапе исследования модель ориентирована на электронную плазму, однако дальнейшие работы планируется расширить на более сложные условия с присутствием различных примесей, что позволит ещё глубже понять динамику ядерного синтеза.
Изображение носит иллюстративный характер
Профессор Джимин Ли и профессор Эйсунг Юн из кафедры ядерной инженерии в UNIST проводят исследования, результаты которых опубликованы в Journal of Computational Physics. Это сотрудничество представляет важный шаг в повышении эффективности моделирования процессов в плазме.
Классический метод описания кулоновских столкновений основывается на уравнении Фоккера–Планка–Ландау, традиционно решаемом итерационными алгоритмами, что требует значительных вычислительных ресурсов и времени.
Новейший подход – FPL-net – использует глубокое обучение для однократного вычисления нелинейного оператора столкновений, обеспечивая ускорение расчётов в 1000 раз при исключительной точности с погрешностью всего 0,00001.
Особое внимание уделено сохранению физически значимых величин: плотности, импульса и энергии, что достигается интеграцией специальных функций в процесс обучения искусственного интеллекта.
Симуляции теплового равновесия подтвердили, что накопление ошибок без применения технологии FPL-net препятствует корректному установлению равновесия, демонстрируя эффективность нового метода.
Использование графических процессоров (GPU) в сочетании с алгоритмами глубокого обучения кардинально снижает время вычислений по сравнению с традиционными симуляционными кодами на CPU, что открывает перспективы для подробного турбулентного анализа в реальных токамаках и развития технологий цифровых двойников.
На текущем этапе исследования модель ориентирована на электронную плазму, однако дальнейшие работы планируется расширить на более сложные условия с присутствием различных примесей, что позволит ещё глубже понять динамику ядерного синтеза.
