Physics-informed Neural Operator Learning for Nonlinear Grad-Shafranov Equation

Created by

Haebom

저자

Siqi Ding, Zitong Zhang, Guoyang Shi, Xingyu Li, Xiang Gu, Yanan Xu, Huasheng Xie, Hanyue Zhao, Yuejiang Shi, Tianyuan Liu

💡 개요

본 연구는 핵융합 에너지 상용화를 위한 핵심 요소인 Grad-Shafranov 방정식(GSE)의 빠르고 정확한 해를 구하기 위해 물리학 기반 신경 연산자(PINO)를 제안합니다. 특히, Transformer-KAN (TKNO) 신경 연산자를 활용하여 GSE 해의 연산자를 직접 학습시키고, 데이터 기반 학습의 한계를 극복하기 위해 물리학 기반 손실 함수를 도입하여 물리적 일관성을 확보했습니다. 이를 통해, 소량의 레이블 데이터를 활용한 준지도 학습을 통해 최고 수준의 정확도와 외삽 성능을 동시에 달성했습니다.

🔑 시사점 및 한계

•

빠른 계산 속도와 높은 정확도를 동시에 달성하여, 실시간 플라즈마 제어 및 분석에 활용될 수 있는 잠재력을 보여주었습니다.

•

물리학 기반 손실 함수를 통해 데이터 기반 모델의 단점인 물리적 일관성 부족 문제를 개선했습니다.

•

준지도 학습을 통해 소량의 데이터만으로도 높은 성능을 얻을 수 있었지만, 다양한 플라즈마 조건에 대한 일반화 성능 검증이 필요합니다.

PDF 보기

Made with Slashpage