Een op neurale scores gebaseerde deeltjesmethode voor het Vlasov-Maxwell-Landau-systeem
A Neural Score-Based Particle Method for the Vlasov-Maxwell-Landau System
March 26, 2026
Auteurs: Vasily Ilin, Jingwei Hu
cs.AI
Samenvatting
Plasma-modellering staat centraal bij het ontwerp van kernfusiereactoren, maar het simuleren van collisionele plasma-kinetiek vanuit eerste principes blijft een formidabele computationele uitdaging: het Vlasov-Maxwell-Landau (VML)-systeem beschrijft zesdimensionaal transport in de faseruimte onder zelfconsistente elektromagnetische velden, samen met de niet-lineaire, niet-lokale Landau-botsingsoperator. Een recente deterministische deeltjesmethode voor het volledige VML-systeem schat de snelheidsscorefunctie in via de blob-methode, een op kernels gebaseerde benadering met O(n²)-kosten. In dit werk vervangen we de blob-score-schatter door score-based transport modeling (SBTM), waarbij een neuraal netwerk on-the-fly wordt getraind via impliciete score-matching tegen O(n)-kosten. Wij bewijzen dat de benaderde botsingsoperator impuls en kinetische energie behoudt, en een geschatte entropie dissipeert. We karakteriseren ook de unieke globale evenwichtstoestand van het VML-systeem en de elektrostatische reductie ervan, wat de grondwaarheid voor numerieke validatie verschaft. Op drie canonieke benchmarks – Landau-demping, twee-stroom-instabiliteit en Weibel-instabiliteit – presteert SBTM nauwkeuriger dan de blob-methode, bereikt het correcte relaxatie op lange termijn naar het Maxwelliaanse evenwicht waar de blob-methode faalt, en levert het 50% snellere rekentijd met 4 keer lager piekgeheugengebruik.
English
Plasma modeling is central to the design of nuclear fusion reactors, yet simulating collisional plasma kinetics from first principles remains a formidable computational challenge: the Vlasov-Maxwell-Landau (VML) system describes six-dimensional phase-space transport under self-consistent electromagnetic fields together with the nonlinear, nonlocal Landau collision operator. A recent deterministic particle method for the full VML system estimates the velocity score function via the blob method, a kernel-based approximation with O(n^2) cost. In this work, we replace the blob score estimator with score-based transport modeling (SBTM), in which a neural network is trained on-the-fly via implicit score matching at O(n) cost. We prove that the approximated collision operator preserves momentum and kinetic energy, and dissipates an estimated entropy. We also characterize the unique global steady state of the VML system and its electrostatic reduction, providing the ground truth for numerical validation. On three canonical benchmarks -- Landau damping, two-stream instability, and Weibel instability -- SBTM is more accurate than the blob method, achieves correct long-time relaxation to Maxwellian equilibrium where the blob method fails, and delivers 50% faster runtime with 4times lower peak memory.