Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Systematic Techniques for Robust Inference and Data-driven Explainable closures for plasma physics

Description du projet

Apprentissage automatique pour les modèles robustes en physique des plasmas

Les modèles cinétiques complexes décrits par l’équation de Vlassov sont simplifiés en physique des plasmas par le processus de fermeture pour aboutir à des modèles magnéto-fluides. Bien que ces modèles simplifiés nécessitent moins de puissance de calcul, ils présentent des limites dans les applications où les collisions de particules sont peu fréquentes. Avec le soutien du programme Actions Marie Skłodowska-Curie, le projet STRIDE utilisera l’apprentissage automatique pour créer des modèles avec moins de degrés de liberté afin de décrire les processus cinétiques pour la modélisation de l’environnement géospatial (MEG), tels que la reconnexion magnétique. Il utilisera des réseaux neuronaux profonds et la découverte d’équations pour corriger les modèles de type fluide, qui seront testés dans des simulations numériques. Le projet abordera les défis liés à la solidité des modèles, à la quantification de l’incertitude et à la génération d’événements extrêmes. Les modèles entraînés seront mis à la disposition du public afin de soutenir la recherche.

Objectif

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.

Champ scientifique (EuroSciVoc)

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2023-PF-01

Voir tous les projets financés au titre de cet appel

Coordinateur

KATHOLIEKE UNIVERSITEIT LEUVEN
Contribution nette de l'UE
€ 175 920,00
Adresse
OUDE MARKT 13
3000 Leuven
Belgique
Région
Vlaams Gewest Prov. Vlaams-Brabant Arr. Leuven
Type d’activité
Higher or Secondary Education Establishments
Liens
Coût total
Aucune donnée