《Journal of Plasma Physics》：A neural operator closure for Landau damping in electrostatic plasma
编辑推荐：
本研究提出一种针对一维静电等离子体中线性与非线性朗道阻尼的数据驱动流体闭合模型。研究人员将傅里叶神经算子（FNO）在线训练于可微流体求解器内部，损失函数计算基于闭合流体模拟生成的完整轨迹而非单个动力学快照。该闭合模型具有非马尔可夫性，作用于已解析矩历史的时间滑
本研究提出一种针对一维静电等离子体中线性与非线性朗道阻尼的数据驱动流体闭合模型。研究人员将傅里叶神经算子（FNO）在线训练于可微流体求解器内部，损失函数计算基于闭合流体模拟生成的完整轨迹而非单个动力学快照。该闭合模型具有非马尔可夫性，作用于已解析矩历史的时间滑动窗口，从而表征未解析动力学的记忆效应。研究表明，单一经此方式训练的FNO能够同时复现线性和非线性朗道阻尼，泛化至训练集之外未见过的初始扰动振幅，并在独立流体模拟部署中保持数值稳定性。在非线性机制下，学习得到的热流虽未逐点匹配动力学热流，却能准确再现已解析矩的动力学行为，表现为一种有效的闭合形式——通过已解析场的演化历史传递未解析动力学的影响，不过学习到的特定热流预计依赖于数值格式与训练数据。对训练模型的敏感性分析显示，该模型建立的是真实的矩-通量关系，其对记忆窗口的依赖呈现结构化而非均匀分布特征，集中体现在以振荡周期为间隔的滞后时间点上。
一、研究背景与现存问题
无碰撞等离子体动力学涉及多尺度耦合效应，微观动力学过程深刻影响宏观结构演化。传统研究方法分为两类：动力学模型精确描述粒子层面相互作用，但因相空间维度高导致大尺度计算成本难以承受；流体模型计算效率高，却因简化近似而无法充分捕捉动力学效应。流体模型通过对弗拉索夫方程（Vlasov equation）取速度矩获得，但各阶矩的演化依赖于更高阶矩，形成无限级联的矩方程组，必须在某阶截断并通过闭合关系（closure relation）用低阶矩表示高阶矩。因此，闭合关系的质量直接决定流体模型保留底层动力学物理的程度。
经典闭合方案如Chew-Goldberger-Low（CGL）闭合引入压力各向异性，而针对朗道阻尼（Landau damping）的Hammett-Perkins闭合及其高阶Padé近似虽能在线性阶段有效工作，但本质上局限于线性理论适用范围。在非线性区域，粒子俘获效应破坏相位混合，线性理论失效，亟需能够跨越线性与非线性机制的通用闭合方案。
近年来机器学习方法被引入等离子体闭合问题，早期工作聚焦于复现已知解析闭合，随后发展为直接从全动力学模拟数据训练闭合模型。然而现有研究存在两大瓶颈：其一，离线训练（a-priori training）的闭合模型在嵌入流体求解器后常因误差累积而失稳，在线测试（online test）验证极为稀缺；其二，多数研究仅在少数初始条件下验证精度，缺乏对未见过初始条件的系统性泛化评估。
二、研究目标与意义
本研究旨在解决上述两个关键问题。研究人员将傅里叶神经算子（Fourier Neural Operator, FNO）直接嵌入可微流体求解器进行在线训练（online training），使损失函数基于闭合流体模拟的完整轨迹而非单个动力学快照计算，从而保证闭合适用于后续独立流体模拟中的稳定运行。在此基础上，研究人员证明单一FNO闭合模型能够同时复现一维静电朗道阻尼的线性和非线性阶段，并泛化至训练集中未包含的初始扰动振幅。这标志着向广泛适用的机器学习等离子体闭合迈出了实质性一步，此类闭合有望作为更大规模流体仿真的组件，覆盖仿真中可能遇到的各种初始条件范围。
三、关键技术方法
研究人员采用以下核心技术路线：（1）利用欧拉型弗拉索夫-泊松求解器（Eulerian Vlasov-Poisson solver）生成无噪声的动力学模拟数据，计算密度n、平均速度u、压力p和热流q等速度矩；（2）构建傅里叶神经算子（FNO）作为非马尔可夫闭合模型，输入为最近K个时刻的已解析矩（n, u, p, E）的历史窗口，输出为热流散度?q/?x；（3）将FNO嵌入可微流体求解器中在线训练，损失函数定义为流体模拟轨迹与动力学参考轨迹之间的差异，而非直接拟合动力学热流值；（4）对训练后的模型进行敏感性分析，通过扰动输入窗口各时刻的矩值来量化模型对不同滞后时间的依赖程度。
四、研究结果
4.1 单幅值训练：线性情况
研究人员首先在初始扰动振幅?=0.01（线性朗道阻尼主导）的条件下训练FNO闭合。结果表明，经过约1000次迭代后，闭合流体模拟的电场能量衰减曲线与动力学参考高度吻合，成功复现了线性朗道阻尼的特征衰减率。与Hammett-Perkins解析闭合对比，FNO闭合在整个模拟时长内表现更优，尤其在后期捕捉到更精细的动力学特征。
4.2 单幅值训练：非线性情况
针对初始扰动振幅?=0.05（非线性朗道阻尼主导）的训练表明，FNO闭合同样能够复现非线性阶段的电场能量演化，包括初始指数衰减后的反弹增长和随后的饱和振荡。相比之下，Hammett-Perkins闭合完全无法捕捉非线性阶段的反弹行为，其预测的电场能量持续衰减直至接近零。
4.3 跨幅值泛化
研究人员训练了一个覆盖多个初始振幅（?=0.005, 0.02, 0.04, 0.06, 0.08）的单一FNO闭合模型，并在中间未见过的振幅（?=0.01, 0.03, 0.07, 0.09）上进行测试。结果显示，该模型在所有测试振幅下均能准确复现电场能量演化，实现了从线性到非线性机制的无缝过渡，且泛化性能在训练振幅区间内保持稳健。
4.4 学习到的有效热流与动力学热流对比
研究人员发现，FNO学习到的热流并不逐点匹配动力学模拟中计算的真实热流，却能准确驱动已解析矩的演化。这表明FNO学习到的是一种有效的闭合关系——它通过已解析场的演化历史传递未解析动力学的影响，而非简单地拟合动力学热流的数值值。这种有效热流依赖于所采用的数值格式和训练数据。
4.5 敏感性分析
通过对训练后模型输入窗口各时刻的矩值施加小扰动并观测热流输出的变化，研究人员发现FNO确实建立了真实的矩-通量映射关系，而非外推自身输出。更重要的是，模型对记忆窗口的依赖呈现结构化特征：敏感性峰值集中在以等离子体振荡周期为间隔的滞后时间点上，而非均匀分布于整个窗口。这一发现与莫里-茨万齐希形式论（Mori-Zwanzig formalism）预测的记忆核结构一致，证实了非马尔可夫闭合的物理合理性。
五、讨论与结论
研究人员指出，本研究的核心贡献在于首次在可微流体求解器中在线训练FNO闭合，并通过轨迹级损失优化确保了闭合在独立流体模拟中的数值稳定性。单一FNO模型成功跨越线性到非线性朗道阻尼的多个初始振幅，展示了机器学习的泛化能力。敏感性分析揭示的结构化记忆依赖为理解闭合的物理内涵提供了新视角。
研究结论为：研究人员提出了一种基于傅里叶神经算子的数据驱动等离子体流体闭合模型，通过在线训练策略确保其在独立流体模拟中的稳定性。该模型具有非马尔可夫特性，作用于已解析矩历史的滑动窗口以表征未解析动力学的记忆效应。实验表明，单一FNO模型能够同时复现线性和非线性静电朗道阻尼，泛化至训练集中未见的初始扰动振幅，并在部署中保持数值稳定。在非线性机制下，学习到的热流虽未逐点匹配动力学热流，却通过已解析场历史有效传递了未解析动力学的影响。敏感性分析证实模型建立了真实的矩-通量关系，其对记忆窗口的依赖呈现结构化特征，集中体现在以振荡周期为间隔的滞后时间点上。
