Mars atmosferinin yaklaşık %95'ini oluşturan karbondioksitin (CO₂) yerinde kaynak kullanımı (In Situ Resource Utilization, ISRU) kapsamında oksijen ve karbon içeren ürünlere dönüştürülmesi, gelecekteki insanlı ve robotik Mars görevleri için önemli araştırma alanlarından biridir. Radyo-frekanslı (RF) termal olmayan plazmalar, gazın tamamını yüksek sıcaklıklara çıkarmadan enerjik elektronlar aracılığıyla CO₂ moleküllerini titreşimsel olarak uyarmayı, iyonlaştırmayı ve ayrıştırmayı mümkün kılar. Ancak onlarca kimyasal tür ve yüzlerce reaksiyon içeren yüksek doğruluklu plazma modellerinde her yeni reaktör geometrisinin yeniden çözülmesi saatler hatta onlarca saat gerektirebilir. Bu çalışma, elektrot aralığı değiştiğinde Mars koşullarındaki RF CO₂ plazmasının tam uzay-zaman davranışını anlık olarak tahmin etmek amacıyla Deep Operator Network (DeepONet) tabanlı bir surrogate model geliştiriyor. DeepONet; elektrot aralığından 26 parçacık türünün yoğunluğu, elektrik alanı ve elektron sıcaklığı olmak üzere toplam 28 fiziksel alanı öğreniyor. Eğitim verileri 4.5 Torr, 210 K, 13.56 MHz ve 10 W/cm² koşullarında doğrulanmış bir akışkan modelinden üretilmiştir. Geleneksel akışkan çözümü yeni bir geometri için saatler/onlarca saat gerektirirken eğitilmiş model aynı fiziksel alanları bir saniyeden kısa sürede tahmin edebiliyor. Elektron yoğunluğu için eğitim alanındaki hatalar yaklaşık \(10^{-5}\), yakın ekstrapolasyonlarda ise \(10^{-4}\) mertebesindedir. Fiziksel analiz, elektrot aralığı arttıkça elektron yoğunluğunun ve CO/O/O₂ üretiminin yükseldiğini; maksimum elektrik alanı ve elektron sıcaklığının azaldığını; kılıf yapısının ve titreşimsel olarak uyarılmış CO₂ popülasyonlarının değiştiğini göstermektedir. Sonuçlar, DeepONet'in Mars için plazma destekli CO₂ dönüşüm reaktörlerinin hızlı geometrik taraması ve optimizasyonunda yüksek doğruluklu plazma çözümlerinin yerini belirli bir parametre komşuluğunda alabilecek hızlı bir surrogate araç sunduğunu göstermektedir; ancak uzak ekstrapolasyonlar ve aynı anda değişen basınç, güç, frekans veya akış koşulları henüz doğrulanmamıştır.

Mars'ta Dünya'dan taşınan oksijen ve yakıt miktarını azaltmanın yollarından biri, gezegenin mevcut atmosferini bir hammadde olarak kullanmaktır. Kaynak çalışmaya göre Mars atmosferinin hacimce yaklaşık %95'i CO₂'dir. Bu nedenle CO₂'nin O₂ ve CO gibi ürünlere dönüştürülmesi yaşam desteği, oksitleyici üretimi ve daha ileri yakıt sentezleri açısından ISRU sistemlerinin temel adaylarından biridir.

Çalışma; regolit üzerinden katalitik dönüşüm, Sabatier reaksiyonu, elektrokimyasal CO₂ indirgeme ve yüksek sıcaklıklı katı oksit elektrolizi gibi alternatifleri hatırlatırken, termal olmayan plazmanın temel avantajının enerji dağılımında olduğunu vurgular. Termal olmayan plazmada elektronlar yüksek enerji kazanabilirken ağır gaz parçacıklarının tamamı aynı ölçüde ısıtılmak zorunda değildir. Bu sayede enerjik elektronlar CO₂'nin güçlü bağlarını iyonlaşma, titreşimsel uyarılma ve ayrışma süreçleriyle aktive edebilir.

Mars'ta RF CO₂ Plazması Neden İlgi Çekicidir?

RF CO₂ plazması, Mars'ın yaklaşık 4.5 Torr basınç ve 210 K sıcaklıkla temsil edilen düşük basınçlı ortamında CO₂ moleküllerini gazın tamamını termal olarak aşırı ısıtmadan enerjik elektronlarla aktive edebildiği için ilgi çekicidir. RF deşarjının özellikle α-modunda görece geniş ve düzgün bir plazma bölgesi oluşturabilmesi, elektrot aralığı gibi geometrik parametreleri değiştirerek CO₂ ayrışma kimyasının optimize edilmesine imkân verir.

Akışkan modelinin fiziksel kapsamı

Çalışmanın fiziksel ground-truth verileri, bir boyutlu ve öz-tutarlı bir plazma akışkan modelinden elde edilmiştir. Model; tür süreklilik denklemleri, yüklü parçacıklar için sürüklenme-difüzyon yaklaşımı, elektrik alanı için Poisson denklemi ve elektron sıcaklığını belirlemek için elektron enerji denkleminden oluşur.

Ana yöntem açıklamasında bu 26 türün 278 temel reaksiyon ile birbirine bağlandığı belirtilmektedir. Bununla birlikte makalenin Conclusion bölümünde bir kez “21 species and 268 reactions” ifadesi kullanılmaktadır. Bu ifade Table I ve ayrıntılı yöntem açıklamasıyla uyuşmaz. Burada yöntem ve açık tür tablosuyla desteklenen 26 tür/278 reaksiyon yapısı esas alınmış, sonuç bölümündeki farklılık kaynak içi tutarsızlık olarak korunmuştur.

Temel süreklilik ve taşınım denklemleri

Elektron, iyon ve nötr türlerin sayı yoğunluğu dengesi:

\[ \frac{\partial N_{e,i,n}(x,t)}{\partial t} + \frac{\partial \Gamma_{e,i,n}(x,t)}{\partial x} = S_{e,i,n}(x,t) \tag{1} \]

şeklindedir. Burada \(N\) sayı yoğunluğunu, \(\Gamma\) parçacık akısını ve \(S\) kimyasal reaksiyonlarla oluşan net kaynak terimini temsil eder.

Elektron ve iyonların elektrik alanı etkisindeki sürüklenme-difüzyon akısı:

\[ \Gamma_{e,i}(x,t) = \mp\mu_{e,i}E(x,t)N_{e,i}(x,t) - D_{e,i}\frac{\partial N_{e,i}(x,t)}{\partial x} \tag{2} \]

ile hesaplanırken, yüksüz türlerde elektriksel sürüklenme olmadığı için:

\[ \Gamma_n(x,t) = -D_n\frac{\partial N_n(x,t)}{\partial x} \tag{3} \]

kullanılır.

Elektrik alanı, uzay yükü üzerinden Poisson denklemiyle belirlenir:

\[ \frac{\partial E(x,t)}{\partial x} = \frac{e}{\varepsilon_0} \left[ N_i(x,t)-N_e(x,t) \right]. \tag{4} \]

Elektron enerji dengesi ise elektronların taşınımı, elektrik alanından kazandıkları enerji, kimyasal reaksiyonlara aktarılan enerji ve elektron-ağır parçacık çarpışmalarındaki enerji değişimini birlikte içerir:

\[ \frac{\partial [N_e(x,t)\bar{\varepsilon}]}{\partial t} + \frac{\partial}{\partial x} \left[ \frac{5}{3}\bar{\varepsilon}\Gamma_e - \frac{5}{3} \frac{\partial}{\partial x} (\bar{\varepsilon}N_e)D_e \right] + e\Gamma_e\cdot E = -\sum_j \Delta E_jR_j - 3\frac{m_e}{m_g}k_{el}k_B(T_e-T_g). \tag{5} \]

Elektrotlarda parçacık ve elektron enerjisi için akı sınır koşulları uygulanmış, ikincil elektron emisyon katsayısı 0.03 alınmış ve uyarılmış türlerin yüzey söndürülmesi hesaba katılmıştır.

RF güç kontrolü

Deşarj akımı:

\[ I(t)=I_0\sin(2\pi ft) \]

olarak tanımlanmıştır. Çalışmada temel kontrol parametresi akım genliği değil, hedef giriş gücüdür. İstenen \(P_0\) gücünü koruyabilmek amacıyla akım genliği her iterasyonda:

\[ I_0^{(n+1)} = I_0^{(n)} + \lambda \left( P_0+P^{(n)} \right) \tag{6} \]

bağıntısıyla güncellenmiş ve \(\lambda=0.0005\) alınmıştır. Kaynakta güç:

\[ P = f\int_{t_0}^{t_0+T} I(t)V(t)\,dt \tag{7} \]

ile hesaplanır.

Akışkan modelinin deneysel doğrulaması

Kaynağın Figure 1'i, farklı özgül enerji girdilerinde CO₂ dönüşümü ve enerji verimini deneysel ölçümler ile akışkan modeli arasında karşılaştırır. Hesaplanan eğrilerin deney verileriyle yakın seyretmesi, DeepONet eğitiminde kullanılacak akışkan modelinin fiziksel temelini sağlar.

Figure 2'de 13.56 MHz ve sabit 10 W/cm² güç altında elektrot aralığı yaklaşık 0.13 cm'den 0.32 cm'ye çıkarıldığında RF gerilim genliği yaklaşık 280 V'dan 330 V'a yükselirken akım yoğunluğu yaklaşık 81'den 67 mA/cm²'ye düşmektedir. Kaynak bunu daha geniş deşarj hacmi ve artan etkili plazma empedansıyla açıklar.

DeepONet Bu Plazma Probleminde Neyi Öğreniyor?

DeepONet burada tek tek önceden tanımlanmış plazma çözümlerini ezberlemek yerine elektrot aralığı \(g\) ile herhangi bir uzay-zaman koordinatındaki plazma çözümü \(U(x,t)\) arasındaki çözüm operatörünü öğrenir. Branch ağı geometriyi, trunk ağı ise sürekli \(x,t\) koordinatlarını kodlar; bu iki temsil birleştirildiğinde görülmemiş elektrot aralıklarında dahi 28 fiziksel alanın değerleri doğrudan hesaplanabilir.

Öğrenilmek istenen operatör:

\[ G:g\longrightarrow U(x,t) \]

biçimindedir. DeepONet'in branch ağı elektrot aralığını \(g\) alarak:

\[ [b_1,b_2,\ldots,b_q]^T \]

gizli özellik vektörünü üretir. Trunk ağı ise sürekli koordinatları:

\[ y=(x,t) \]

alarak:

\[ [t_1,t_2,\ldots,t_q]^T \]

uzay-zaman baz fonksiyonlarını öğrenir. Bir fiziksel alanın tahmini:

\[ G(g)(x,t) \approx \sum_{k=1}^{q} b_k(g)t_k(x,t)+b_0 \tag{8} \]

olarak hesaplanır.

Bu mimaride branch ağı geometrinin çözüm üzerindeki katsayılarını değiştirirken trunk ağı plazmanın uzaysal profilini ve RF çevrimindeki zamansal salınımlarını temsil eder. Çalışmanın temel farkı, aynı mimari içinde 28 bağlı fiziksel değişkenin vektör değerli alanlar olarak tahmin edilmesidir.

Eğitim veri seti

Ana eğitim veri üretiminde elektrot aralığı:

\[ g=0.15,\ 0.16,\ldots,0.30\ \mathrm{cm} \]

arasında 0.01 cm adımlarla taranmıştır. RF frekansı 13.56 MHz, güç 10 W/cm², gaz basıncı 4.5 Torr ve gaz sıcaklığı 210 K olarak sabit tutulmuştur.

Kayıp fonksiyonu akışkan modelinin ground-truth alanları ile DeepONet tahmini arasındaki ortalama karesel hatadır:

\[ L_{MSE} = \frac{1}{N_{samples}} \sum_{j=1}^{N_{samples}} \left| G_\theta^{(j)}(x,t) - \hat G_\theta^{(j)}(x,t) \right|^2. \tag{9} \]

Ağdan Bağımsızlık Neden Önemlidir?

Ağdan bağımsızlık veya discretization invariance, eğitilmiş DeepONet'in çözümü yalnız eğitimde kullanılan 400 düğümlü ayrık grid üzerinde değil, istenen başka uzay-zaman çözünürlüklerinde de değerlendirebilmesi anlamına gelir. Bu özellik elektrot kılıfı gibi çok keskin gradyanların daha ince gridlerle incelenmesini, yeni reaktör ölçeklerinde yeniden ağ oluşturup tüm akışkan modelini tekrar çözmeden yüksek çözünürlüklü plazma alanları üretilmesini sağlar.

Kaynağın Figure 4'ünde eğitimde doğrudan yer almayan 0.31 cm elektrot aralığı için elektron yoğunluğu 100×100, 300×300 ve 600×600 uzay-zaman çözünürlüklerinde yeniden oluşturulmuştur. Üç çözünürlükte de RF kılıf salınımları ve quasi-neutral bulk plazma bölgesinin ana yapısı korunmaktadır.

Bu sonuç, DeepONet'in yalnız belirli boyuttaki görüntü benzeri veri tensörlerini eşleştirmediğini; trunk ağında sürekli koordinat fonksiyonları öğrendiğini destekleyen temel kanıtlardan biridir.

Çalışmanın Yöntemi ve Bulguları

0.31 cm elektrot aralığındaki plazma yapısı

DeepONet'in görülmemiş bir geometriyi fiziksel olarak yeniden oluşturma yeteneği önce 0.31 cm aralıkta analiz edilmiştir. Figure 5'te zaman-ortalama pozitif ve negatif yük yoğunlukları deşarjın merkezinde çan biçimli bir dağılım oluşturur ve yaklaşık:

\[ 1.6\times10^{12}\ \mathrm{cm^{-3}} \]

tepe yoğunluğa ulaşır. Elektrot yakınlarında pozitif yük yoğunluğu negatif yükten belirgin biçimde daha yüksektir; bu durum uzay-yük kılıfını ve güçlü elektrik alanını oluşturur.

Zaman-ortalama profilin kılıf bölgesindeki elektrik alanı yaklaşık 3.5 kV/cm, elektron sıcaklığı ise sheath–bulk sınırına yakın yaklaşık 7 eV tepe göstermektedir. Bu değerler, Figure 11'de raporlanan RF çevrimindeki maksimum elektrik alanı ve maksimum elektron sıcaklığıyla aynı metrik değildir; zaman-ortalama profil ile zaman içindeki mutlak maksimumlar birbirinden ayrılmalıdır.

CO₂ ayrışma ürünleri

0.31 cm için Figure 6'da CO ve atomik O baskın ayrışma ürünleridir. Maksimum yoğunluklar yaklaşık:

CO ve O'nun merkezde yoğunlaşması, bulk plazmada yüksek elektron yoğunluğu bulunan bölgelerde elektron çarpışmalı ayrışmanın etkili olmasıyla ilişkilendirilir. C ve O₂ yoğunlukları daha düşüktür; oluşumlarında daha karmaşık ikincil reaksiyon yolları rol oynar.

Titreşimsel CO₂ durumları

CO₂'nin titreşimsel olarak uyarılmış durumları Mars'ın düşük sıcaklıklı plazması açısından önemlidir, çünkü molekül enerjisi çok sayıda küçük titreşimsel adımla artırılarak ayrışmaya ulaşabilir. Bu süreç vibrational ladder climbing olarak adlandırılır.

Figure 7'de simetrik gerilme durumlarından CO₂va yaklaşık:

\[ 7.71\times10^{16}\ \mathrm{cm^{-3}} \]

ve bending modu CO₂vb yaklaşık:

\[ 3.01\times10^{15}\ \mathrm{cm^{-3}} \]

yoğunluğa ulaşır.

Asimetrik gerilme serisinde daha yüksek titreşim düzeylerinin önemli ölçüde birikebildiği görülür. Kaynağa göre:

\[ N_{\mathrm{CO_2v8,max}} \approx2.92\times10^{16}\ \mathrm{cm^{-3}} \]

iken:

\[ N_{\mathrm{CO_2v1,max}} \approx1.94\times10^{14}\ \mathrm{cm^{-3}}. \]

Yazarlar yaklaşık iki mertebelik farkı vibration-vibration (V–V) enerji aktarımının yüksek titreşim düzeylerini beslemesiyle açıklar.

Elektrot Aralığı Artınca RF Plazması Nasıl Değişiyor?

Elektrot aralığı arttığında sabit 10 W/cm² güç daha büyük deşarj hacmine yayıldığı için maksimum elektrik alanı ve elektron sıcaklığı azalırken, parçacıkların elektrotlara ulaşarak kaybolma olasılığı düştüğünden elektron yoğunluğu artar. Daha geniş bulk plazma bölgesi ve azalan duvar kayıpları CO, O ve O₂'nin birikmesini destekler; buna karşılık kılıfın toplam aralığa göre göreli payı küçülür.

Kılıf kalınlığı ve kılıf gerilimi

Elektrot aralığı yaklaşık 0.15'ten 0.31 cm'ye çıkarıldığında mutlak kılıf kalınlığı:

\[ 0.0286\ \mathrm{cm} \rightarrow 0.0300\ \mathrm{cm} \]

ile yalnız hafifçe büyümektedir. Bununla birlikte kılıfın toplam elektrot boşluğuna oranı sürekli düşer; yani bulk plazma geometriden daha hızlı pay kazanmaktadır.

Aynı aralıkta kılıf gerilimi yaklaşık:

\[ 108\ \mathrm{V} \rightarrow 99\ \mathrm{V} \]

düşmektedir. Kaynak bu sonucu artan plazma yoğunluğu ve daha etkili lokal elektrik alanı ekranlamasıyla ilişkilendirir.

Elektrik alanı, elektron sıcaklığı ve elektron yoğunluğu

Elektrik alanı ve elektron sıcaklığındaki azalma, sabit toplam güç altında daha büyük deşarj hacminde birim hacim başına enerji girişinin düşmesine bağlanmaktadır. Elektron yoğunluğundaki artış ise yazarların electron trapping açıklamasıyla ilişkilidir: genişleyen elektrot aralığında taşıyıcıların yarım RF çevrimi içinde elektrotlara ulaşma ve kaybolma olasılığı azalır.

CO, O ve O₂ üretimindeki ölçek etkisi

Dar deşarj boşluklarında aktif radikaller bulk plazmada birikmeden elektrotlara daha hızlı yayılabilir. Elektrot aralığı büyüdüğünde duvar kayıplarının göreli etkisi azalır ve genişleyen bulk plazma CO₂ ayrışma ürünlerinin birikmesini sağlar.

Kaynakta CO'nun esas olarak elektron-çarpışmalı ayrışma ve elektron-çarpışmalı attachment süreçlerinden, O'nun çoğunlukla elektron-çarpışmalı ayrışmadan; O₂'nin ise önemli ölçüde yüklü türlerin dahil olduğu ikincil reaksiyonlardan üretildiği açıklanmaktadır.

Titreşimsel ladder-climbing ve elektrot aralığı

Bütün uyarılmış durumlar elektrot aralığına aynı şekilde tepki vermez. Elektronik uyarılmış CO₂ve1 önce artıp sonra azalırken düşük titreşimsel CO₂v1a'nın tepe yoğunluğu aralık büyüdükçe azalır.

Buna karşılık daha yüksek asimetrik gerilme durumlarından CO₂v7 artmaya devam eder. Yazarlar bunu artan bulk elektron yoğunluğunun titreşimsel ladder-climbing mekanizmasını güçlendirmesiyle açıklar. Böylece ortalama elektron enerjisinin düşmesi, yüksek titreşimli molekül popülasyonlarının mutlaka düşmesi anlamına gelmez; V–V aktarımı ve artan parçacık tutulumu farklı bir kinetik denge oluşturabilir.

DeepONet Gerçekten Görülmemiş Elektrot Aralıklarını Tahmin Edebiliyor mu?

Kaynakta yapılan yakın-aralık testleri evet yanıtını desteklemektedir: eğitim alanındaki 0.18 ve 0.26 cm elektrot aralıklarında elektron yoğunluğu için bağıl hata yaklaşık \(10^{-5}\) mertebesinde kalırken eğitim aralığının hemen dışındaki 0.14 ve 0.32 cm değerlerinde hata yaklaşık \(10^{-4}\) seviyesine yükselse de temel kılıf salınımları ve bulk plazma yapısı korunmaktadır. Ancak bu sonuç uzak ekstrapolasyonların güvenilir olduğu anlamına gelmez.

Figure 17'de DeepONet alanları ile yüksek doğruluklu akışkan modeli alanları görsel olarak yakın eşleşmektedir. En belirgin hata artışı, özellikle 0.32 cm durumundaki keskin kılıf gradyanları yakınında görülür.

Hesaplama süresindeki kazanç

Çalışmanın mühendislik açısından en çarpıcı sonucu hız farkıdır. Yüksek doğruluklu akışkan modelinin yeni bir elektrot aralığındaki dinamik kararlı deşarjı çözmesi saatler veya onlarca saat gerektirirken, eğitilmiş DeepONet aynı parametre için 28 alanı:

1 saniyeden kısa sürede

tahmin edebilmektedir.

Bu hızlanma ücretsiz değildir: surrogate modelin kurulabilmesi için önce yüksek doğruluklu eğitim verileri üretilmiş ve DeepONet'in kendisi RTX 4090D üzerinde yaklaşık 7.6 saat eğitilmiştir. Dolayısıyla yöntem tek bir plazma çözümünü mucizevi biçimde hızlandırmaktan çok, çok sayıda yeni geometri taranacaksa pahalı offline maliyeti bir kez ödeyip sonraki parametre sorgularını çok ucuz hale getirir.

Çalışmanın desteklediği sonuçlar

• DeepONet, elektrot aralığına bağlı RF CO₂ plazma çözüm operatörünü öğrenerek 28 fiziksel değişkenin uzay-zaman alanlarını hızlı biçimde tahmin edebilir.
• Temsilî elektron yoğunluğu için interpolasyon hatası yaklaşık \(10^{-5}\), yakın ekstrapolasyon hatası yaklaşık \(10^{-4}\) mertebesindedir.
• Model farklı uzay-zaman gridlerinde plazmanın temel yapılarını koruyarak discretization invariance göstermektedir.
• Elektrot aralığının artması maksimum elektrik alanı ve elektron sıcaklığını düşürürken elektron yoğunluğunu artırmaktadır.
• Daha geniş elektrot aralıklarında CO, O ve O₂ yoğunlukları artmaktadır.
• Elektrot aralığı titreşimsel uyarılmış CO₂ popülasyonlarını ve ladder-climbing süreçlerini değiştirmektedir.
• Eğitilmiş DeepONet, yeni bir geometri için tahmin süresini saatler/onlarca saatten bir saniyenin altına düşürmektedir.

Çalışmanın desteklemediği genellemeler

• Çalışma Mars yüzeyinde fiziksel bir RF plazma reaktörü deneyi değildir.
• DeepONet çıktıları doğrudan deneysel Mars ölçümleriyle doğrulanmamıştır; surrogate modelin ground truth'u doğrulanmış sayısal akışkan modelidir.
• Yakın ekstrapolasyondaki başarı, eğitim aralığından çok uzak elektrot geometrilerinde aynı doğruluğun korunacağını kanıtlamaz.
• Aynı anda basınç, güç, frekans, gaz debisi ve reaktör geometrisinin değiştirilmesi bu ağla doğrulanmamıştır.
• CO ve O₂ yoğunluğundaki artış doğrudan reaktörün toplam enerji veriminin veya net ISRU üretim veriminin aynı oranda arttığı anlamına gelmez.
• Çalışma gerçek Mars görevinde kütle, güç bütçesi, elektrot ömrü, toz, termal çevrim veya uzun süreli güvenilirlik performansını değerlendirmez.
• DeepONet yüksek doğruluklu plazma fizik modelinin evrensel yerine geçeni değildir; öğrenildiği parametre alanı ve yakın komşuluğu için surrogate olarak değerlendirilmelidir.

Gelecek çalışmalar

Yazarlar gelecekte deneysel ölçümlerin doğrudan modele dahil edilmesini, parametre uzayının basınç, giriş gücü, RF frekansı, gaz debisi ve reaktör geometrisini kapsayacak biçimde genişletilmesini önermektedir. Ayrıca physics-informed kısıtlar ve uncertainty quantification yöntemleriyle modelin güvenilirliği ve yorumlanabilirliğinin artırılması hedeflenmektedir.

Kaynak ve Yöntem Notu

Özgün çalışma:Rapid Prediction of Scale Effects in Martian CO2 Radio-Frequency Discharges using Deep Operator Networks.

Yazarlar: Zheng Zhao, Xiaolong Wang, Yawei Feng, Wenkai Li ve Yuantao Zhang.

Kurum: School of Electrical Engineering, Shandong University, Jinan, Shandong Province, China.

İletişim yazarı: Yuantao Zhang.

DOI: 10.2139/ssrn.7199166.

Platform/yayın durumu: SSRN üzerinde 28 Temmuz 2026 tarihinde yayımlanmış 37 sayfalık, hakem değerlendirmesinden geçmemiş preprint.

Çalışma türü: Doğrulanmış bir plazma akışkan modelinden üretilen yüksek boyutlu verilerle eğitilmiş Deep Operator Network tabanlı bilimsel makine öğrenmesi/surrogate model çalışması.

Temel fizik koşulları: 4.5 Torr CO₂, 210 K gaz sıcaklığı, 13.56 MHz RF sürüş ve 10 W/cm² sabit güç.

Ana eğitim alanı: Elektrot aralığı 0.15–0.30 cm, 0.01 cm adım. Yakın genelleme ve ekstrapolasyon değerlendirmelerinde 0.14, 0.31 ve 0.32 cm gibi eğitim dışında kalan değerler de incelenmiştir. Abstract genel geometri kapsamını yaklaşık 0.13–0.32 cm olarak ifade eder.

Akışkan modeli: Ana yöntem açıklaması ve Table I, 26 plazma türü ve 278 temel reaksiyon içeren indirgenmiş CO₂ kimya mekanizmasını bildirir.

Kaynak içi tutarsızlık: Conclusion bölümündeki “21 species and 268 reactions” ifadesi, yöntem bölümündeki 26 species / 278 reactions tanımı ve Table I ile uyuşmamaktadır. Verianla bu farkı sessizce düzeltmemiştir.

DeepONet: Branch ve trunk ağları dört gizli katman ve katman başına 75 nöron kullanır. Model PyTorch'ta AdamW ile 0.0001 sabit öğrenme oranında 50,000 epoch eğitilmiştir.

Donanım ve maliyet: Eğitim NVIDIA RTX 4090D 24 GB GPU üzerinde yaklaşık 7.6 saat sürmüştür; eğitilmiş modelin yeni geometri için online çıkarımı bir saniyeden kısadır.

Finansman: National Natural Science Foundation of China (No. 12375201) ve Shandong Province Key R&D Program, Soft Science Project (No. 2025RZB0218).

Veri erişilebilirliği: Çalışmanın bulgularını destekleyen verilerin makul talep üzerine iletişim yazarından sağlanabileceği belirtilmiştir.

Telif: SSRN kaydı tüm hakların saklı olduğunu ve izin olmadan yeniden kullanıma izin verilmediğini belirtmektedir. Kaynak figürlerin piksel düzeyinde çoğaltılması yerine Verianla için plazma reaktörü, DeepONet mimarisi, ölçek trendleri ve tür değişimlerinin özgün olarak yeniden çizilmesi gerekir.