.png){kind=icon}
返回
Accelerating kinetic plasma simulations with machine-learning-generated initial conditions
.png){kind=icon}
PRE
AI
DOI：10.1063/5.0304576.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
计算等离子体技术的模型通常通过时间步进一个初值问题求解系统运行条件至准稳态解。然而，等离子体动力学的高度非线性和多时间尺度特性往往需要数百万甚至数亿步才能收敛，这降低了这些模拟在计算机辅助工程中的有效性。我们考虑通过数据驱动的机器学习生成的初始条件来加速动力学等离子体模拟，这些初始条件使模拟接近其最终的准稳态，从而减少达到收敛所需的步数。开发了三种机器学习模型来预测与微电子工业相关的电容耦合等离子体放电的密度和离子动力学剖面。这些模型在一系列器件运行频率和压力的动力学模拟上进行训练。当使用卷积神经网络生成的离子动力学剖面进行初始化时，观察到最佳性能，与使用零维全局模型进行初始化相比，将达到收敛的平均步数减少了17.1倍。我们还概述了一个用于持续数据驱动模型改进和模拟加速的工作流程，旨在为生成足够数据以构建完整设备的数字孪生体。
Keyword:
FRAMEWORK
期刊
IF:
2.2
论文数:
604
被引数:
3.4W
机构
引用论文
Automatically Sketching Auroral Skeleton Structure in All‐Sky Image for Measuring Aurora Arcs自动绘制全天空图像中极光骨架结构以测量极光弧
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏分享收藏Graves, D.B.; Labelle, C.B.; Kushner, M.J.; Aydil, E.S.; Donnelly, V.M.; Chang, J.P.; Mayer, P.; Overzet, L.; Shannon, S.; Rauf, S.; et al. Science challenges and research opportunities for plasma applications in microelectronics. J. Vac. Sci. Technol. B 2024, 42, 042202. [Google Scholar] [CrossRef]Graves, D.B.; Labelle, C.B.; Kushner, M.J.; Aydil, E.S.; Donnelly, V.M.; Chang, J.P.; Mayer, P.; Overzet, L.; Shannon, S.; Rauf, S.; et al. 微电子中等离子体应用的科学挑战与研究机遇。J. Vac. Sci. Technol. B 2024, 42, 042202. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
查看更多内容