《Journal of Plasma Physics》：The machine learning approach to moment closure relations for plasma: a review
编辑推荐：
大规模全球等离子体模拟的需求在空间和实验室等离子体物理中均构成持续挑战。任何基于流体模型的模拟都固有地需要高阶等离子体矩的闭合关系。本综述汇编并分析了近期机器学习（ML）方法在开发能够捕捉等离子体流体模型中动理学现象的改进闭合模型方面的激增。研究人员调查了两个
大规模全球等离子体模拟的需求在空间和实验室等离子体物理中均构成持续挑战。任何基于流体模型的模拟都固有地需要高阶等离子体矩的闭合关系。本综述汇编并分析了近期机器学习（ML）方法在开发能够捕捉等离子体流体模型中动理学现象的改进闭合模型方面的激增。研究人员调查了两个方法论家族：神经网络代理（从多层感知机到傅里叶神经算子，后者最近在流体求解器中在线重现了线性和非线性朗道阻尼）和方程发现方法（如稀疏回归）；并按这些研究是否在离线状态下与参考数据对比，或在在线状态下在时间演化求解器中进行测试来组织分类。研究人员概述了与ML闭合相关的挑战，包括非对角压力张量精度、超出训练分布的泛化能力以及在大规模模拟中的稳定集成，并指出了未来研究可能解决这些问题的方向。
**等离子体矩闭合关系的机器学习方法：综述——论文解读**
**研究背景与问题**
空间和实验室等离子体跨越多个时空尺度展现出复杂动力学，其中波粒相互作用在大尺度演化中扮演关键角色。等离子体模拟通常采用动理学方法（如Vlasov方程）或流体方法（基于速度矩的层次方程）。动理学方法能自洽地捕捉粒子-场相互作用，但六维相空间的计算成本极高，难以用于大规模全球模拟。流体方法虽计算高效，但通过截断矩层次引入的闭合关系往往丢失动理学效应（如压力各向异性、有限拉莫尔半径（FLR）效应、朗道阻尼），导致在磁重联、湍流等过程中精度不足。传统解析闭合（如Chew-Goldberger-Low（CGL）双绝热闭合、Landau-fluid闭合、gyrofluid闭合）各有适用范围，但均受限于线性响应假设、近麦克斯韦平衡或特定参数区，无法统一描述非线性、非平衡条件下的复杂动理学。因此，寻找能够将关键动理学效应纳入流体模型且不显著增加计算成本的新型闭合关系成为核心问题。近年来，机器学习（ML）技术的发展为数据驱动闭合建模提供了新途径。
**研究内容与结论**
研究人员对将ML方法应用于等离子体矩闭合问题的近期研究进行了系统综述，涵盖两大方法家族：神经网络代理（从多层感知机（MLP）到傅里叶神经算子（FNO））和方程发现方法（如稀疏回归）。通过分析离线测试（与参考数据对比）和在线测试（嵌入时间演化流体求解器）的结果，研究人员发现：（1）神经网络代理能够学习非局部、非线性的闭合关系，如FNO可在线重现线性与非线性朗道阻尼，超越传统Hammett-Perkins（HP）解析闭合；（2）方程发现（如稀疏识别非线性动力学SINDy）能从动力学数据中提取可解释的解析表达式，揭示物理机制；（3）ML闭合面临共同挑战，包括非对角压力张量组件的建模困难、对训练分布外泛化能力不足、以及在大规模模拟中的数值稳定性问题。该综述发表在《Journal of Plasma Physics》，为未来数据驱动闭合研究提供了路线图。
**主要技术方法**
研究人员主要采用两类技术：（1）神经网络代理，包括MLP、卷积神经网络（CNN）、FNO、物理信息神经网络（PINN）、梯度增强PINN（gPINN）等，训练数据来自解析闭合公式（如HP闭合）或动理学模拟（如粒子网格法（PIC）代码iPiC3D、PSC，Vlasov求解器）；（2）方程发现，以SINDy及其弱形式（WSINDy）为主，结合积分形式抑制PIC粒子噪声，从动力学模拟数据中求解稀疏系数向量。部分研究采用数据增强（如伽利略/洛伦兹变换）来嵌入物理对称性。训练数据多来源于一维朗道阻尼或二维磁重联（如Harris片）的PIC模拟，未涉及具体样本队列，但Miloshevich等（2026）使用了湍流磁鞘的PIC数据。
**研究结果**
**3.1 解析闭合训练数据**
Ma等（2020）训练MLP、CNN和离散傅里叶变换（DFT）网络学习HP闭合，发现MLP所需神经元宽度与闭合的傅里叶自由度相关。Maulik等（2020）对比Braginskii、HP和Guo-Tang三种闭合，指出网络连接性应与闭合的空间局域性匹配：局部闭合（Braginskii）适合受限连接，非局部闭合（HP）需全连接网络。Wang等（2020）首次将MLP嵌入流体求解器在线测试，证明神经网络误差在朗道阻尼后期小于数值方法误差。
**3.2 动理学模拟训练数据**
**3.2.1 磁重联与压力张量闭合**
Laperre等（2022）从双Harris片PIC模拟中训练MLP和梯度提升回归器（GBR）学习电子压力张量与热流，发现对角分量准确，但非对角分量和热流向量难以捕捉。Miloshevich等（2026）用全卷积神经网络（FCNN）学习湍流磁鞘中的电子压力张量，FCNN优于CGL和Le等经验闭合，且移除电场输入（FCNNnoE）泛化性最强。
**3.2.2 朗道阻尼闭合**
Qin等（2023）用PINN及gPINNp（仅压力残差梯度惩罚）从一维朗道阻尼数据中学习隐式闭合，gPINNp在仅早期训练数据下能准确预测后期行为。Wei等（2023）用FNO从多组初始条件学习多矩模型，FNO误差10.8%远低于MLP的66.7%。Huang等（2025）将FNO热流闭合嵌入流体求解器在线测试，成功重现线性与非线性朗道阻尼，优于HP闭合。Joglekar & Thomas（2023）通过端到端可微流体求解器训练紧凑网络（160参数），在朗道阻尼中实现14倍加速，并泛化至20倍大域。
**3.2.3 一般流体闭合**
Bois等（2022）用V-net学习从碰撞到无碰撞宽Knudsen数范围的热流闭合，离线测试准确。Shukla等（2022）用奇异值分解（SVD）提取动理学主导模式，构建“学习多模”（LMM）闭合，在线测试仅3个训练点即达到8%均方根误差，但暴露了远离训练点时的跳跃失效模式。Barbour等（2025）用储层计算在速度空间（Hermite基）闭合静电回旋动理学层次，在线测试将所需速度分辨率降低16倍。
**3.3 数据驱动方程发现**
**3.3.1 SINDy方法**
Alves & Fiuza（2022）用积分形式SINDy从双流不稳定性PIC数据中恢复从无热流到含压力各向异性的闭合层次，形成精度-复杂度Pareto前沿。Donaghy & Germaschewski（2023）对Harris片重联10-矩模型进行SINDy闭合发现，对角分量准确，非对角分量仍困难。Ingelsten等（2025）发现朗道阻尼和双流不稳定性存在六项最优热流闭合，其中一项主导增长/衰减阶段。Ingelsten等（2026）将六项闭合推广至多电子种，采用非线性稀疏回归（NLSR）达到神经网络等效精度。McGrae-Menge等（2026）通过伽利略/洛伦兹数据增强嵌入对称性，显著提升压力张量闭合的精度和数据效率。
**3.3.2 神经网络方法**
Liu等（2022）用PINN从朗道阻尼数据中恢复10-矩模型及热流闭合，系数与理论值偏差<1%。Cheng等（2023）用PDE-Net发现多矩流体模型及热流闭合，形式与Liu等一致，但后期误差增长。
**总结讨论与结论**
研究结论部分（来自讨论）指出：总体而言，这些方法应被视为互补而非竞争策略。神经网络和神经算子擅长表达性和预测性能，适合数据丰富、强非线性区域；物理信息网络在数据驱动灵活性与物理一致性间取得平衡；稀疏回归提供透明模型，可关联系统基本物理。对于无碰撞等离子体建模，最优闭合策略可能涉及混合方法，融合解析闭合的可解释性和ML模型的表达力。当前主要挑战包括：数据驱动闭合对特定参数范围的限制、非对角压力张量组件的精确建模、泛化能力不足、多现象包含与大规模流体模拟的稳定集成，以及训练数据的大规模生成与共享。未来方向包括结合物理信息约束、不确定性量化、符号回归探索、以及从卫星观测数据中学习，以推动数据驱动闭合在实际等离子体模拟中的应用。
