Нейронный скоринговый частичный метод для системы Власова-Максвелла-Ландау

A Neural Score-Based Particle Method for the Vlasov-Maxwell-Landau System

March 26, 2026

Авторы: Vasily Ilin, Jingwei Hu

cs.AI

Аннотация

Моделирование плазмы является центральным элементом проектирования термоядерных реакторов, однако моделирование кинетики столкновительной плазмы из первых принципов остается сложной вычислительной задачей: система Власова–Максвелла–Ландау (ВМЛ) описывает шестимерный транспорт в фазовом пространстве в рамках самосогласованных электромагнитных полей вместе с нелинейным, нелокальным столкновительным оператором Ландау. Недавно разработанный детерминистический частичный метод для полной системы ВМЛ оценивает функцию скоринга скоростей с помощью метода капель (blob method) — основанного на ядрах приближения со стоимостью O(n²). В данной работе мы заменяем оценку скоринга методом капель на моделирование транспорта на основе скоринга (SBTM), в котором нейронная сеть обучается на лету с помощью неявного сопоставления скоринга со стоимостью O(n). Мы доказываем, что аппроксимированный столкновительный оператор сохраняет импульс и кинетическую энергию и диссипирует оцененную энтропию. Мы также характеризуем единственное глобальное стационарное состояние системы ВМЛ и её электростатической редукции, предоставляя эталон для численной проверки. На трех канонических тестах — затухание Ландау, двухпучковая неустойчивость и неустойчивость Вайбеля — SBTM демонстрирует более высокую точность по сравнению с методом капель, достигает корректной релаксации к равновесию Максвелла на больших временах, где метод капель дает сбой, и обеспечивает на 50% большее быстродействие при 4-кратном снижении пикового потребления памяти.

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.