Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

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

Descrizione del progetto

Apprendimento automatico per modelli solidi nella fisica del plasma

I modelli cinetici complessi descritti dall’equazione di Vlasov vengono semplificati nella fisica del plasma tramite il processo di chiusura per arrivare a modelli magneto-fluidici. Pur richiedendo una minore potenza di calcolo, questi modelli semplificati presentano dei limiti nelle applicazioni in cui le collisioni tra particelle sono poco frequenti. Con il supporto del programma di azioni Marie Skłodowska-Curie, il progetto STRIDE utilizzerà l’apprendimento automatico per creare modelli con un minore grado di libertà per descrivere i processi cinetici per la Modellizzazione ambientale geospaziale (GEM), tra cui la riconnessione magnetica. Si avvarrà di reti neurali profonde e della scoperta di equazioni per correggere modelli di tipo fluido, che saranno verificati nelle simulazioni numeriche. Il progetto affronterà le sfide legate alla solidità dei modelli, alla quantificazione dell’incertezza e alla generazione di eventi estremi. I modelli addestrati saranno resi open-source per supportare ulteriori ricerche.

Obiettivo

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.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

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

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) HORIZON-MSCA-2023-PF-01

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

KATHOLIEKE UNIVERSITEIT LEUVEN
Contributo netto dell'UE
€ 175 920,00
Indirizzo
OUDE MARKT 13
3000 Leuven
Belgio
Regione
Vlaams Gewest Prov. Vlaams-Brabant Arr. Leuven
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
Nessun dato