科研之友
微信
新浪微博
Facebook
分享链接
摘要
在气体放电等离子体中，电子的输运行为可由Boltzmann方程精确描述，该方程的解是许多等离子体仿真模型的基础。物理信息神经网络作为一种求解Boltzmann方程的新型方法，虽克服了传统数值方法网格剖分和方程离散的缺陷，但其参数空间规模大，在求解多任务时训练效率较低。为此，该文构建了一种基于元学习的双循环物理信息神经网络，在内循环中对多个Boltzmann方程求解任务进行优化训练，得到各任务优化后的元损失函数，用于在外循环中进行网络参数更新，从而提高网络在求解新任务时的计算效率。计算结果表明，基于元学习的双循环物理信息神经网络在求解新的Boltzmann方程时，网络损失函数值和L2误差值的下降速度均显著快于普通的物理信息神经网络。此外，该文还研究了网络容量和内循环迭代次数对Boltzmann方程多任务求解效率的影响，结果显示计算效率并不随网络容量的增大而提高，且受内循环迭代次数影响较小。
- 单位
