Data-driven local operator finding for reduced-order modelling of plasma systems: I. Concept and verifications

减少阶数的等离子体模型可以高效地预测各种设置和配置下的等离子体行为，这是备受追捧但难以实现的。由于这些模型有潜力促进科学研究和加速等离子体技术的发展，因此过去十年对这些模型的需求激增。与计算能力和数据驱动方法的进步相一致，本文介绍了“Phi方法”。第一部分介绍了这种新算法，它采用约束回归的方法，基于数值离散化方案的候选项库来发现离散微分方程系统。我们展示了Phi方法在三个测试案例中推导可靠和稳健的减阶模型（ROMs）的有效性：洛伦兹吸引子、圆柱体流动和一维霍尔推力器代表性等离子体。第二部分将深入探讨该方法在参数动力学发现方面的应用。我们的结果表明，从Phi方法推导出的ROMs可以极其准确地预测系统的行为，无论是从稳态还是瞬态数据中获得的。这凸显了该方法改变等离子体系统建模的潜力。

该论文旨在解决需要高效预测等离子体行为的降阶模型的问题，并介绍了一种新的算法Phi Method。

Phi Method使用有限差分方案构建的候选项库上的约束回归来发现离散微分方程系统，从而导出可靠的降阶模型。

该方法在三个测试案例中表现出可靠和稳健的降阶模型，证明了该方法的有效性。该方法可以从稳态或瞬态数据中导出ROMs，提供了系统行为的准确预测，具有改变等离子体系统建模的潜力。

该论文提到了与Phi Method相关的其他研究，但没有具体列举。