[論文レビュー] A Novel Numerical Algorithms Optimization Method with Machine Learning Frameworks: Application on Real-time Plasmas Equilibrium Reconstruction in EXL-50U Spherical Torus

G. H. Zheng, S. F. Liu+15 more|arXiv (Cornell University)|Jan 18, 2026

Magnetic confinement fusion research被引用数 0

ひとこと要約

この論文はPTEFITを導入する。PTEFITはPyTorch/TensorRTベースのGPU加速リアルタイム Grad–Shafranov 平衡再構成アルゴリズムで、トカマクにおいてサブミリ秒のスライスあたり性能とEXL-50U球状トーラスでのリアルタイムフィードバック統合を実現する。

ABSTRACT

This work proposes for the first time a novel optimization method for numerical algorithms, which takes advantages of machine learning frameworks PyTorch and TensorRT, leveraging their modularity, low development threshold, and automatic tuning characteristics to achieve a real-time plasmas reconstruction algorithm called PTEFIT as an application in tokamak-based controlled fusion that combines performance, flexibility, and usability. The algorithm has been deployed and routinely operated on the EXL-50U spherical tokamak, with an average inference time of only 0.268ms per time slice at $129\times 129$ resolution, and has successfully driven feedback control of the maximum radial position of plasmas and isoflux control. We believe that its design philosophy has sufficient potential to accelerate development and optimization in GPU parallel computing, and is expected to be extended to other numerical algorithms.

研究の動機と目的

• リアリティを損なうことなく、さまざまな構成に対する汎用性を維持しつつ、リアルタイムで高精度なトカマク平衡再構成を動機づける。
• 機械学習フレームワークを活用して数値アルゴリズムを最適化しつつ、物理ベースの基盤を保持する。
• EFITの原理と互換性のあるモジュール式のGPU加速再構成パイプラインを提供する。

提案手法

• Greenの関数生成、電流密度パラメータ化、Grad–Shafranov（G-S）解法を扱う21のモジュラー計算ユニットを用いてPyTorchでPTEFITを構築する。
• トーラス電流をポリ磁場およびフラックスに関連づけるGreenの関数行列を、GPU加速行列演算で計算する。
• 正規方程式またはQR分解（Gram-Schmidt）を用いて最小二乗系を解く際、SVDなしで正規方程式またはQR分解を用いてJ_phiを正規化されたフラックスの多項式でパラメータ化する。
• G-S方程式を高速なGPU解法のために事前計算された並列三重対角問題の集合に変換する。
• O点およびX点を特定するために2次多項式拟合でフラックス曲面を処理し、フラックス正規化のための軸／境界の正確な同定を可能にする。
• 安全因子などのフラックス曲面平均量を、効率的なGPU対応積分と二分木ベースのフラックス曲面頂点探索で計算する。
• リアルタイム性能を実現するために、データを事前計算し、CPU-GPUデータ転送を最小化してCUDAグラフとTensorRTとして最適化する。

Figure 1 : Schematic diagram of the bisection method for finding flux surface vertices. The flux outside the plasmas region need to be filtered first. For each thread, the initial endpoints are located at the magnetic axis and the reconstructed boundary, respectively, and the points on the reconstru

実験結果

リサーチクエスチョン

• RQ1 物理に基づく平衡再構成を機械学習フレームワーク内で完全に実現して、EFITの一貫性を損なうことなくリアルタイム性能を達成できるか。
• RQ2 PyTorch/TensorRTベースのアプローチは、オフラインEFITおよび従来のGPU加速再構成と、速度と精度の面で、さまざまなフラックス曲面構成に対してどう比較されるか。
• RQ3 PTEFITを用いたリアルタイム制御（例：R_maxとアイソフラックス）での制御性能はどれくらい達成可能か。
• RQ4 手法は物理的解釈性を保ちながら、異なるトカマク構成と診断に適応できるか。
• RQ5 この文脈で最小二乗法の解法における計算的トレードオフ（正規方程式 vs QR）は何か。

主な発見

• PTEFITは129×129解像度で1スライスあたり平均推論時間0.268 msを達成。
• PTEFITはオフラインEFITの約10,000倍、従来のGPU加速再構成の約2–10倍の速度。
• PTEFITはLCFS再構成においてオフラインEFITと高い一貫性を示し、XPT構成で約1 cm程度の偏差。
• PTEFITはICRF加熱実験中の最大プラズマ半径R_maxのリアルタイムPIDフィードバック制御を実現。
• PTEFITはflux差を参照点付近に維持するMIMOフィードバックアプローチとしてアイソフラックス制御を可能にするが、VDEsにより1つのX点視界が制限される。
• PTEFITの設計はEFIT原理との一貫性を保ちつつ、開発労力の低減とより広い構成性を提供する。

Figure 2 : Comparison of LCFS results obtained by PTEFIT and offline EFIT for XPT configuration reconstruction of shot #13899. Here, $\Delta r_{\min}$ and $\Delta r_{\max}$ are the deviations between the two at the minimum and maximum radial positions of the LCFS, respectively.