[논문 리뷰] 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. Liu외 15명|arXiv (Cornell University)|2026. 01. 18.

Magnetic confinement fusion research인용 수 0

한 줄 요약

이 논문은 PTEFIT을 소개한다, PyTorch/TensorRT 기반의 GPU 가속 실시간 Grad–Shafranov 평형 재구성 알고리즘으로 토카막에서 서브밀리초의 각 슬라이스 성능과 EXL-50U 구형 토로스에서의 실시간 피드백 통합을 달성한다.

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 $129 imes 129$ 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.

연구 동기 및 목표

• 구성(configuration) 간의 일반성을 해치지 않으면서 실시간이고 고정밀한 토카막 평형 재구성을 동기 부여한다.
• 물리 기반 기초를 유지하면서 기계 학습 프레임워크를 활용하여 수치 알고리즘을 최적화한다.
• EFIT 원칙과 호환되는 모듈식의 GPU 가속 재구성 파이프라인을 제공한다.

제안 방법

• Green’s function 생성, 전류 밀도 매개변수화, 그리고 Grad–Shafranov (G-S) 해를 다루기 위해 21개의 모듈화된 계산 유닛을 갖춘 PyTorch에서 PTEFIT을 구성한다.
• Green’s function matrices를 사용하여 toroidal current를 poloidal field와 flux에 연결하고, 이를 GPU 가속 행렬 연산으로 계산한다.
• J_phi를 정규화된 플럭스의 다항식으로 매개변하고, SVD 없이 normal equations 또는 QR 분해(Gram–Schmidt)를 사용하여 최소제곱 시스템을 푼다.
• G-S 방정식을 병렬 삼대각 문제들의 집합으로 변환하고, 빠른 GPU 해를 위해 사전 계산한다.
• 두 번째 차수 다항식 피팅으로 플럭스 표면을 처리하여 O-점과 X-점을 찾고, 플럭스 정규화를 위한 축/경계 식별의 정밀도를 높인다.
• 안전도 계수와 같은 플럭스 표면 평균량을 GPU에 친화적인 적분과 이분법 기반의 플럭스 표면 꼭짓점 탐색으로 계산한다.
• 실시간 성능을 위해 CUDA 그래프와 TensorRT로 실행되도록 데이터 사전계산 및 CPU-GPU 데이터 전송 최소화를 최적화한다.

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

실험 결과

연구 질문

• RQ1 물리 기반의 평형 재구성을 머신러닝 프레임워크 안에서 완전히 실현하여 EFIT-일관성을 해치지 않으면서 실시간 성능을 달성할 수 있는가?
• RQ2 PyTorch/TensorRT 기반 접근법이 오프라인 EFIT 및 전통적인 GPU 가속 재구성과 비교하여 속도와 정확성 측면에서 다양한 플럭스 표면 구성에서 어떻게 차이가 나는가?
• RQ3 PTEFIT을 이용한 토카막의 피드백 제어에서 달성 가능한 실시간 제어 성능(R_max 및 isoflux)은 무엇인가?
• RQ4 방법이 물리 해석 가능성을 보존하면서 서로 다른 토카막 구성 및 진단에 적응할 수 있는가?
• RQ5 이 맥락에서 최소제곱 단에서 normal equations 대 QR 간의 계산적 트레이드오프는 무엇인가?

주요 결과

• PTEFIT는 129×129 해상도에서 시간 슬라이스당 평균 추론 시간 0.268 ms를 달성한다.
• PTEFIT는 오프라인 EFIT보다 대략 10,000× 빠르고 전통적인 GPU 가속 재구성보다 약 2–10× 빠르다.
• PTEFIT은 LCFS 재구성에서 오프라인 EFIT와 높은 일관성을 보이며 XPT 구성에서 편차가 약 1 cm 정도이다.
• PTEFIT은 ICRF 가열 실험 동안 최대 플라즈마 반경 R_max의 실시간 PID 피드백 제어를 가능하게 한다.
• PTEFIT은 플럭스 차이가 기준점에 거의 맞춰 유지되는 MIMO 피드백 접근 방식으로 isoflux 제어를 가능하게 하지만 VDEs는 하나의 X-점 가시성을 제한한다.
• PTEFIT의 설계는 EFIT 원칙과의 일관성을 유지하면서 개발 노력이 줄고 구성이 더 유연한 이점을 제공한다.

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.