付海洋课题组在等离子体高效智能计算方面取得重要进展
等离子体是区别于固体、液体和气体的物质“第四态”，广泛存在于宇宙空间与高能实验环境中。其内部能量转移过程复杂，其中的朗道阻尼（Landau damping）——一种无需粒子间碰撞、通过波粒共振实现能量传递的机制——在等离子体的稳定性与能量耗散中起着核心作用，是连接等离子体微观相互作用与宏观行为演化的“桥梁”。这一机制深刻影响等离子体的能量传输与耗散规律，不仅决定聚变装置的能量约束效率与半导体制造中的刻蚀稳定性，也关系到空间环境中电磁扰动的传播与卫星通信导航的安全。因此，如何高效准确地建模朗道阻尼过程，是理解等离子体动力学行为的关键。
然而，朗道阻尼过程具有强非线性与多尺度耦合特征，并与静电湍流等复杂现象密切相关，使得建模与预测面临巨大挑战。传统闭合模型难以刻画复杂湍流，全动理学模拟虽精确但计算代价高昂，而纯数据驱动模型又因缺乏物理约束而外推稳定性不足。如何在保持物理一致性、计算效率与预测精度之间取得平衡，已成为等离子体建模领域亟需突破的关键科学问题。
.png)
图1：融合物理约束的PIFNO模型精准重构等离子体演化的时空过程
近期，复旦大学未来信息创新学院、电磁波信息科学教育部重点实验室付海洋研究员团队在国际期刊 Machine Learning: Science and Technology 发表最新研究成果，论文题为《Data-driven modeling of electrostatic turbulence by physics-informed Fourier neural operator》。该研究提出了一种融合物理约束的傅里叶神经算子框架（Physics-informed Fourier Neural Operator, PIFNO），为等离子体的高效建模提供了新的解决思路。
基于课题组在符号回归、物理信息神经网络（PINN）和神经算子（FNO）等方向的前期研究[1–3]，本研究针对传统模型在泛化性与物理一致性方面的不足，在PIFNO框架中引入多矩磁流体方程，将连续方程、动量方程等物理约束融入损失函数，使模型在稀疏数据条件下即可准确再现朗道阻尼等关键物理过程。研究结果表明，PIFNO能够同时精确预测密度、速度、压力张量、三阶热流及电场等关键物理量；相比经典的Hammett–Perkins闭合模型[4]，更能再现朗道阻尼过程；在相同尺度下，其推理速度较全动理学模拟提升约1000倍。此外，物理约束的引入有效抑制了长时演化中的涡量结构偏移与能量传输误差，并显著降低了对大规模训练数据的依赖。
.png)
图2：A）PIFNO模型预测等离子体涡量，与动理学结果一致；（B）朗道阻尼过程对比
该研究为可控核聚变、空间物理及先进制造等领域提供了高效、可解释的建模工具，推动了人工智能与等离子体多物理科学的深度融合，为复杂等离子体系统的智能建模开辟了新路径，推动了人工智能与等离子体多物理科学AI for Science。复旦大学未来信息创新学院付海洋研究员为通信作者，波士顿大学物理天文学院董川飞教授为共同通信作者，复旦大学未来信息创新学院研究生刘禹宏为第一作者，复旦大学团队在该研究工作中得到国家重点研发计划（2021YFA0717300），国家自然科学基金委等项目的支持。
论文链接：https://iopscience.iop.org/article/10.1088/2632-2153/ae19cd
