用数据驱动的本地算子寻找方法进行等离子体系统的简化建模：II. 参数动力学应用
内容提要
该文综述了等离子体建模的数据驱动方法，包括Phi方法发现离散微分方程、优化DMD构建稳定降阶模型、神经ODE结合物理方程预测动力学、深度学习推导流体偏微分方程、算子推断加速湍流模拟及物理感知元学习，旨在提升聚变研究的建模效率与预测能力。
延伸解读
Phi方法：从离散化到可靠降阶模型
Phi方法通过受数值离散化启发的有约束回归来发现离散微分方程，旨在构建可靠且稳健的降阶模型。这种方法将数值方案的先验知识融入数据驱动发现过程，可能提高模型在等离子体系统中的泛化能力和稳定性。文章展示了该方法在不同测试案例中的性能，并强调其在转变等离子体系统建模方面的潜在应用。
神经ODE与物理方程融合提升预测性能
在阿尔卡托C-Mod聚变反应堆数据上，结合物理方程和神经ODE的模型性能优于纯物理ODE和纯神经ODE模型。这表明混合建模策略能有效利用数据与先验知识，提高对等离子体动力学的预测能力。该研究为聚变反应堆的实时预测与控制提供了新思路。
算子推断加速湍流模拟的潜力与局限
算子推断（OpInf）能从数据构建低成本降阶模型，在Hasegawa-Wakatani湍流模拟中，OpInf ROMs捕捉了湍流重要特征，并泛化到新初始条件，同时将高精度模型计算时间缩短五个数量级。这展示了非侵入式科学机器学习在加速聚变数值研究方面的潜力，但文章也指出其基于特定方程，推广到更复杂场景仍需验证。
物理感知元学习缓解数据依赖
物理感知元学习框架利用偏微分方程独立知识，通过空间模块适应有限数据，减少了对大量真实世界任务的依赖。该框架以模拟数据为基础进行元初始化，在合成和真实时空预测任务中表现卓越。这为等离子体建模中数据稀缺问题提供了解决方案，但实际部署时需考虑模拟与真实数据的差异。
Q&A
Phi方法是什么？它如何用于等离子体系统的降阶建模？
Phi方法是一种新算法，通过受数值离散化方案启发的有约束回归来发现离散化微分方程组，从而提供可靠和稳健的降阶模型（ROMs），并展示了在不同测试案例中的性能，强调了在转变等离子体系统建模方面的潜在应用。
优化DMD算法如何帮助构建稳定的等离子体降阶模型？
优化DMD算法基于变量投影优化，用于构建稳定的降阶模型，并通过该模型实现等离子体动态预测。
神经ODE在等离子体动力学建模中有什么优势？
通过将神经常微分方程（ODE）框架应用于等离子体动力学问题，从阿尔卡托C-Mod聚变反应堆的数据中训练出结合了基于物理方程和神经ODE的模型，发现其性能优于现有的基于物理的ODE和纯神经ODE模型。
如何利用深度学习从等离子体数据中推导流体偏微分方程？
使用深度学习来学习针对等离子体系统获得的数据，推导包含Landau阻尼等动力学效应的流体偏微分方程，并且根据该流体方程重现了这个等离子体系统的所有物理量，这种数据驱动的PDE流体建模方法可以改善流体封闭性以及降低计算成本。
算子推断（OpInf）如何加速等离子体湍流模拟？
算子推断（OpInf）用于从数据构建基于物理学的低成本降阶模型（ROMs）来模拟非线性、混沌等离子体湍流。通过对Hasegawa-Wakatani方程的实验，OpInf ROMs捕捉到了湍流动力学的重要特征，并推广到新的未见初始条件，同时在单核性能方面将高准确度模型的计算时间缩短了五个数量级。
物理感知元学习框架如何用于等离子体系统的建模？
物理感知元学习框架利用偏微分方程独立的知识并利用空间模块来适应有限的数据，从而缓解了元学习需要大量真实世界任务的需要，以模拟数据为基础进行元初始化，并在合成和真实世界的时空预测任务中展示了其卓越的性能表现。
