[논문 리뷰] Gaussian Process Regression models for the properties of micro-tearing modes in spherical tokamak

W. A. Hornsby, Ander Gray외 10명|arXiv (Cornell University)|2023. 09. 18.

Magnetic confinement fusion researchPhysics and Astronomy인용 수 3

한 줄 요약

이 논문은 고정밀 도함수 기반 기계학습 시뮬레이션(GS2)에서 유도된 데이터를 사용하여 구형 토카막스에서 미세 테어링 모드(MTM)의 성질—성장률, 주파수, 정규화된 전자 열류—를 예측하기 위한 가우시안 프로세스 회귀(GPR) 기반의 대체 모델을 개발한다. GPR와 활성 학습 루프, 가우시안 프로세스 분류기를 조합함으로써, 7차원 매개변수 공간에서 약 5,000회의 시뮬레이션(약 100만 CPU 시간)으로도 높은 정확도를 달성하였으며, fusion 전력 플랜트의 설계 공간 탐색을 효율적으로 가능하게 한다.

ABSTRACT

Spherical tokamaks (STs) have many desirable features that make them an attractive choice for a future fusion power plant. Power plant viability is intrinsically related to plasma heat and particle confinement and this is often determined by the level of micro-instability driven turbulence. Accurate calculation of the properties of turbulent micro-instabilities is therefore critical for tokamak design, however, the evaluation of these properties is computationally expensive. The considerable number of geometric and thermodynamic parameters and the high resolutions required to accurately resolve these instabilities makes repeated use of direct numerical simulations in integrated modelling workflows extremely computationally challenging and creates the need for fast, accurate, reduced-order models. This paper outlines the development of a data-driven reduced-order model, often termed a {\it surrogate model} for the properties of micro-tearing modes (MTMs) across a spherical tokamak reactor-relevant parameter space utilising Gaussian Process Regression (GPR) and classification; techniques from machine learning. These two components are used in an active learning loop to maximise the efficiency of data acquisition thus minimising computational cost. The high-fidelity gyrokinetic code GS2 is used to calculate the linear properties of the MTMs: the mode growth rate, frequency and normalised electron heat flux; core components of a quasi-linear transport model. Five-fold cross-validation and direct validation on unseen data is used to ascertain the performance of the resulting surrogate models.

연구 동기 및 목표

• 융합 전력 플랜트 설계에 핵심적인 영향을 미치는 구형 토카막스에서의 미세 테어링 모드(MTM) 성질에 대해 빠르고 정확하며 불확실성 인식이 가능한 대체 모델을 개발하기 위해.
• 통합 모델링 워크플로우에서 반복적인 고정밀 도함수 기반 기계학습 시뮬레이션(GS2 등)의 막대한 계산 비용을 극복하기 위해.
• 활성 학습 및 기계학습 기법을 활용하여 7차원의 반응형 매개변수 공간을 효율적으로 탐색하기 위해.
• 운영 및 시나리오 예측 도구에 활용 가능한 투명한 신뢰구간을 제공하는 저차원 모델을 구축하기 위해.
• 미래에 JINTRAC와 같은 통합 모델링 플랫폼에 통합되어 비선형 난류 예측을 위한 전체적인 예측에 기여하기 위해.

제안 방법

• 가우시안 프로세스 회귀(GPR)를 사용하여 GS2 도함수 코드에서 유도된 데이터를 기반으로 선형 MTM 성질인 성장률, 주파수, 정규화된 전자 열류를 모델링한다.
• 7차원 매개변수 공간의 각 점에서의 불안정성 발생 확률을 예측하기 위해 별도의 가우시안 프로세스 분류기를 사용한다.
• 불확실성 또는 높은 불안정성 확률 영역에 집중하여 시뮬레이션을 우선순위 정렬하는 활성 학습 루프를 구현함으로써 고정밀 시뮬레이션의 수를 최소화한다.
• GPs의 내재된 불확실성 추정치를 활용하여 예측의 신뢰도를 정량화하고 데이터 확보 전략을 안내한다.
• 교차검증 및 미사용 테스트 데이터에 대한 일반화 성능을 평가하여 MSE, SMSE 및 신뢰구간 커버리지 등의 지표를 사용한다.
• 더 높은 차원의 매개변수 공간, 추가적인 모드 유형(예: KBM, TEM), 전체 고유함수 예측 등으로의 확장이 가능한 프레임워크를 설계한다.

실험 결과

연구 질문

• RQ1 가우시안 프로세스 회귀 기반의 데이터 기반 대체 모델은 고정밀 도함수 기반 시뮬레이션의 최소 비용으로 구형 토카막스에서의 미세 테어링 모드 선형 성질을 정확하게 예측할 수 있는가?
• RQ2 GP 분류기를 기반으로 하는 활성 학습 루프는 고차원 매개변수 공간에서 필요한 GS2 시뮬레이션 수를 얼마나 효과적으로 줄일 수 있는가?
• RQ3 대체 모델은 매개변수 공간의 새로운 영역에서도 정확도와 신뢰할 수 있는 불확실성 정량화를 얼마나 잘 유지하는가?
• RQ4 모델은 더 넓은 매개변수 범위와 추가적인 물리적 양(예: 표면 평균화된 k⊥² 또는 전체 고유함수)을 포함하도록 확장될 수 있는가?
• RQ5 모델은 다른 불안정한 모드들(KBM, TEM 등)에 대해 얼마나 잘 일반화되며, 기존의 통합 모델링 도구(JINTRAC 등)에 어떻게 통합될 수 있는가?

주요 결과

• 고정밀 GS2 시뮬레이션 약 5,000회(약 100만 CPU 시간 소요)로 7차원 매개변수 공간에서 높은 정확도를 달성하였다.
• 활성 학습 루프는 높은 불안정성 확률과 불확실성 영역에 집중함으로써 데이터 확보의 효율성을 크게 향상시켰다.
• 모델는 우수한 일반화 성능을 보였으며, 95%의 신뢰구간 커버리지가 명목상의 0.95 수준에 매우 가까웠다. 이는 신뢰도가 잘 조정된 불확실성 추정을 의미한다.
• GP 분류기는 높은 정밀도와 재현율을 보였으며, F1 스코어가 1에 가까워 불안정한 MTM 영역를 효과적으로 식별했다.
• 투명한 불확실성 정량화 덕분에 매개변수 공간에서 탐색이 부족한 영역의 정확도 향상을 위한 표적 시뮬레이션 캠페인을 수행할 수 있다.
• 이 프레임워크는 추가 매개변수, 더 넓은 범위(예: kyρs를 7까지 증가) 및 다른 모드 유형의 포함이 가능하며, 향후 전체 통합 모델링 워크플로우에의 통합을 지원한다.