基于源项解耦的物理信息神经网络方法及其在放电等离子体模拟中的应用

近年来,以物理信息神经网络(PINNs)为代表的人工智能计算范式在等离子体数值模拟领域获得了极大关注,但相关研究考虑的等离子体化学体系较为简化,且基于PINNs求解更为复杂的多粒子低温等离子体流体模型的研究还尚处空白.本文提出了一个通用的PINNs框架(源项解耦PINNs,Std-PINNs),用于求解多粒子低温等离子体流体模型.Std-PINNs通过引入等效正离子,并将电流连续性方程替代各粒子输运方程作为物理约束,实现了重粒子输运方程源项与电子密度、平均电子能量的解耦,极大降低了训练复杂度.本文通过两个经典放电案例(低气压氩气辉光放电、大气压氦气辉光放电)展示了Std-PINNs在求解多粒子低温等离子体流体模型的应用,并将结果与传统PINNs和有限元(FEM)模型进行了对比.结果显示,传统PINNs输出了完全错误的训练结果,而Std-PINNs与FEM结果之间的L2相对误差能达到约10–2量级,由此验证了Std-PINNs在模拟多粒子等离子体流体模型的可行性.Std-PINNs为低温等离子体模拟提供了新的思路,并拓展了深度学习方法在复杂物理系统建模中的应用.