等离子体系统降阶建模的数据驱动式局部运算符确定：I. 概念和验证
内容提要
本文综述数据驱动降阶模型研究，涵盖Phi Method自动搜索算子以预测参数化动力学、OpInf构建等离子体湍流ROM实现五个数量级提速、优化DMD实现稳定预测、算子学习预测喷射成型质量、神经ODE结合物理方程建模等离子体、神经网络从分子模拟发现连续体模型、深度学习推导含Landau阻尼的流体方程、稀疏回归发现偏微分方程，以及神经网络降秩ROM提升对流问题效率。
延伸解读
数据驱动降阶模型的核心方法
文章综述了多种数据驱动降阶建模方法，包括Phi Method自动搜索局部算子、算子推断（OpInf）、优化DMD、算子学习、神经ODE、神经网络参数化物理框架、深度学习推导PDE、稀疏回归发现PDE以及神经网络降秩ROM。这些方法共同目标是利用数据学习或发现控制方程，构建高效准确的降阶模型，以加速数值模拟或预测系统行为。
等离子体湍流模拟的突破
在等离子体湍流模拟中，OpInf构建的降阶模型能够捕捉Hasegawa-Wakatani方程描述的湍流动力学重要特征，并推广到新的初始条件，同时将计算时间缩短五个数量级。这表明非侵入式科学机器学习降阶模型有潜力大幅加速聚变研究中的数值模拟，为优化聚变设备设计和实时控制提供可能。
跨领域应用与性能优势
数据驱动降阶模型已应用于多个领域：Phi Method在流体预测中优于参数化OPT-DMD；算子学习在液态金属喷射成型质量预测中比神经网络或最近邻方法用更少数据实现更广泛化；神经ODE结合物理方程在Alcator C-Mod聚变反应堆数据上优于纯物理或纯神经模型；深度学习推导的含Landau阻尼流体方程能重现所有物理量并改善封闭性。
方法特点与潜在价值
这些方法注重从数据中自动发现主导动态或控制方程，并平衡模型复杂性与精度。例如稀疏回归通过帕累托分析选择简洁模型，神经网络降秩ROM在对流主导问题中提供更好逼近和误差界限。整体上，数据驱动降阶建模能降低计算成本、提高预测效率，并增强对未知参数的泛化能力。
Q&A
Phi Method 是什么？它有什么优势？
Phi Method 是一种数据驱动的局部算子自动搜索算法，用于学习参数化动力学并预测系统在未知参数空间中的行为。相比参数化 OPT-DMD，它在流体情况下展示了更高的预测性能，并在两个测试案例中可靠地恢复了主导动态系数，实现了高准确性预测。
OpInf 如何用于等离子体湍流模拟？效果如何？
OpInf（算子推断）是一种非侵入式科学机器学习降阶模型方法，用于从数据构建基于物理学的低成本 ROMs 来模拟非线性、混沌等离子体湍流。以 Hasegawa-Wakatani 方程为例，OpInf ROMs 捕捉到了湍流动力学的重要特征，能推广到新的未见初始条件，并将高准确度模型的计算时间缩短了五个数量级。
优化 DMD 在等离子体降阶建模中有什么作用？
优化 DMD（基于变量投影优化的 Dynamic Mode Decomposition）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。
算子学习如何预测液态金属喷射成型质量？
算子学习方法能快速且准确地预测液态金属喷射成型过程的成品质量。相较于基于神经网络或最近邻算法的降阶模型，它能在更少的数据点上实现更广的预测泛化。
神经 ODE 如何结合物理方程建模等离子体？
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物理方程和神经 ODE 的模型。该模型性能优于现有的基于物理的 ODE 和纯神经 ODE 模型。
如何从分子模拟数据自动发现连续体模型？
采用神经网络参数化的物理描述框架，从分子模拟数据中自动发现连续体模型。该方法在模态空间中对支配物理方程进行参数化，对涉及对称性、各向同性和守恒性的归纳偏差提供结构，并在各种物理问题中展示了有效性。
深度学习如何推导等离子体流体方程？
使用深度学习从等离子体系统数据中推导包含 Landau 阻尼等动力学效应的流体偏微分方程，并根据该方程重现了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并降低计算成本。
稀疏回归如何发现偏微分方程？
基于稀疏回归的方法能够通过空间域中的时间序列测量发现给定系统的主要偏微分方程。它通过稀疏促进技术选择最准确表示数据的非线性和偏导数项，同时平衡模型复杂性和回归精度，并通过帕累托分析选择简洁模型，已在多种数学物理问题中演示。
神经网络降秩 ROM 如何提升对流问题效率？
提出一种基于神经网络减小秩的 ROM 新方法，在处理对流主导的现象时更好地逼近高保真模型。通过在非线性流域中超减少运算并得到适当的误差界限，达到了更好的效率。
