跨运行工况的多尺度等离子体动力学重建

arXiv:2610.11004v1 发布类型：cross 摘要：利用少量传感器重建具有空间分辨率的等离子体动力学，对于诊断、降阶建模和控制至关重要，但这仍然十分困难，因为稀疏测量无法充分约束多尺度且依赖工况的自由度。Shallow Recurrent Decoder (SHRED) 通过利用测量历史，在一定程度上解决了空间稀疏性问题；然而，其全连接解码器没有显式机制来解析跨尺度空间结构，也没有显式的参数依赖关系。我们提出 Recurrent Multiscale Affine-modulated Inference Network (ReMAIN)，保留 SHRED 的循环时间编码方式，但将其解码器替换为 U-Net，并通过逐特征线性调制，使 U-Net 的特征层级受到循环状态的条件控制。时间表征在整个 U-Net 中同时提供稠密先验和特定尺度的调制。我们进一步提出参数化扩展，将运行条件与传感器历史联合嵌入，使重建能够随着控制动力学随运行工况变化而自适应。首先，我们在代表多样动力学特征的六个一维非线性偏微分方程上，将 ReMAIN 与 SHRED 进行了基准比较。在所有基准测试中，ReMAIN 都降低了对未见轨迹的重建误差，并更准确地解析了陡峭过渡、局部极值和细尺度变化。随后，我们在一个无碰撞 $E \times B$ 等离子体上验证了参数条件模型；该等离子体受到垂直于轴向的电场和径向磁场作用，其中电场强度作为运行参数。对于训练中未包含的电场强度，ReMAIN 重建了高维多尺度等离子体状态，并恢复了其依赖工况的时空动力学。总体而言，ReMAIN 改进了基于稀疏传感器的全状态重建，并通过参数条件机制实现了跨等离子体运行工况的泛化。