快1000倍，十万分之一误差，深度学习模型降低核聚变等离子体预测计算成本

文章预览

来源：ScienceAI 编辑：2049 在聚变能源研究领域，等离子体动力学模拟扮演着关键角色。然而，非线性 Fokker-Planck-Landau（FPL）碰撞算子的计算成本极高，尤其在全托卡马克体积建模中，其计算时间随等离子体粒子种类数量 n 呈 O(n²) 增长，严重制约了模拟效率。 为突破这一瓶颈，来自蔚山国立科学技术院（UNIST）的研究人员开发了一种全新的深度学习框架—— FPL-net ，利用人工智能技术加速求解这一复杂问题。 FPL-net 获得结果的速度比以前的方法快 1,000 倍，误差幅度仅为十万分之一，表现出卓越的准确性。 该研究以「 FPL-net：A deep learning framework for solving the nonlinear Fokker-Planck-Landau collision operator for anisotropic temperature relaxation 」为题，于 2025 年 2 月 15 日发布在《Journal of Computational Physics》上。 论文链接：https://doi.org/10.1016/j.jcp.2024.113665 相关报道：https: ………………………………