Descripción del proyecto
Aprendizaje automático para modelos robustos en la física de plasmas
Los modelos cinéticos complejos descritos por la ecuación de Vlasov se simplifican en la física de plasmas mediante el proceso de cierre para llegar a modelos de magnetofluidos. Aunque estos modelos simplificados requieren menos potencia de cálculo, tienen limitaciones en aplicaciones en las que las colisiones de partículas son poco frecuentes. El equipo del proyecto STRIDE, que cuenta con el apoyo de las Acciones Marie Skłodowska-Curie, utilizará el aprendizaje automático para crear modelos con menos grados de libertad que describan procesos cinéticos para la modelización ambiental geoespacial (GEM, por sus siglas en inglés), como la reconexión magnética. Utilizará redes neuronales profundas y descubrimiento de ecuaciones para corregir modelos de tipo fluido, que se probarán en simulaciones numéricas. En el proyecto se abordarán retos relacionados con la solidez de los modelos, la cuantificación de la incertidumbre y la generación de eventos extremos. Los modelos entrenados serán de código abierto para facilitar la investigación.
Objetivo
Plasma physics has seen a long tradition of deriving simplified models such as magnetohydrodynamics through a process known as closure: starting from computationally demanding kinetics and following various analytical approximate schemes resulting in fluid-type models which are less accurate but more tractable. Due to smaller computational footprint these models have found applications in space weather modelling and fusion. The problem is that in many interesting applications, e.g. where collisions between particles are rare, the analytic closures have limitations.
The goal of STRIDE (Systematic Techniques for Robust Inference and Data-driven Explainable closures for plasma) is to use machine learning to construct models with fewer degrees of freedom that describe kinetic processes relevant for Geospace Environmental Modelling (GEM), such as magnetic reconnection. Corrections to fluid-type models will be learned with deep neural networks and equation discovery and tested in numerical simulations. The important challenge involves understanding how such surrogates can be made robust against out-of-distribution shifts (i.e. different physical conditions) and numerical instabilities. Thus the closures will be first trained on data generated by high fidelity physics-based model, e.g. kinetic Particle-in-Cell simulations, for a specific set of parameters and then transfer learning will be applied to a different set of parameters to improve robustness. Uncertainty quantification and the ability to generate extremes will be investigated.
The scientific question to be addressed here include: how can we interpret the trained models using explainable AI, what are the optimal ways of performing transfer learning and fine-tuning on the observational data, are there physical considerations (such as conservation laws or symmetries) that can reduce the costs associated with training such machine learning models? Trained models will be made open-source to foster research.
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
Para utilizar esta función, debe iniciar sesión o registrarse
Palabras clave
Programa(s)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Régimen de financiación
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsCoordinador
3000 Leuven
Bélgica