[論文レビュー] GKFieldFlow: A Spatio-Temporal Neural Surrogate for Nonlinear Gyrokinetic Turbulence

Arash Ashourvan|arXiv (Cornell University)|Jan 6, 2026

Magnetic confinement fusion research被引用数 0

ひとこと要約

GKFieldFlow は3D spatio-temporal autoregressive サロゲートで、gyrokinetic 流体乱れ場を進化させ、CGYROデータから ion/electron energy fluxes と particle flux を共同予測する。3D U-Net encoder–decoder と dilated temporal convolutional network を組み合わせている。

ABSTRACT

We present GKFieldFlow, a novel three-dimensional autoregressive deep learning surrogate model for nonlinear gyrokinetic turbulence. Based on the architecture FieldFlow-Net, this model combines a multi-resolution 3D U-Net encoder-decoder that operates on evolving plasma potential fields. A dilated temporal convolutional network (TCN) learns the nonlinear time evolution of latent turbulence features. GKFieldFlow simultaneously (i) predicts ion and electron energy fluxes, and particle flux directly from CGYRO turbulence, and (ii) predicts future potential fields autoregressively with desired spatial resolution. This enables the model to replicate both instantaneous transport and the underlying spatio-temporal dynamics that generate it. The architecture is physics-informed in its design: 3D convolutions preserve the anisotropic geometry and phase structure of gyrokinetic fluctuations, while dilated temporal convolutions capture multiscale dynamical couplings such as turbulence and zonal-flow interactions, turbulence decorrelation, and intermittent bursty transport. We provide a complete technical description of the data structure, model components, and rationale behind each architectural choice. The model achieves high accuracy across all three transport channels, with multi-horizon inference maintaining robustness. Autoregressive field rollouts preserve the spectral content, phase coherence, and energy distribution of the CGYRO nonlinear state with strong fidelity, and flux predictions remain consistent with CGYRO within a small fractional error. This work presents GKFieldFlow as a data-driven reduced model that can jointly learn turbulence dynamics and transport.

研究の動機と目的

• 高速で高忠実度な非線形 gyrokinetic 流れ場の輸送予測および磁場閉じ込め融合炉のシナリオ計画に向けたサロゲートの必要性を動機づける。
• 3D の乱流場を進化させつつ関連輸送フラックを予測できる物理情報を組み込んだニューラルサロゲートを開発する。
• FieldFlow-Net アーキテクチャ（3D U-Net encoder–decoder + dilated TCN）を活用して時空間動態を autoregressively モデリングする。
• 非線形 CGYRO 参照データに対して多タイムホライズンの精度とロールアウトの安定性を示す。

提案手法

• 複雑なポテンシャル場の短履歴から空間乱流特徴を抽出する3Dマルチレベル U-Net エンコーダを用いる（Re/Im チャンネル）。
• 潜在乱流特徴の非線形時間発展を学習するための拡張畳み込みネットワーク（TCN）を導入する。
• 将来のポテンシャル場を再構成するフィールドヘッドと、Q_i, Q_e, Γ をフォーキャストホライズンで予測するフラックヘッドの二つのヘッドを実装する。
• 長期的な忠実性を確保するため、窓付き履歴と自己回帰ロールアウト評価で CGYRO の非線形 gyrokinetic データで学習する。
• 入力次元を削減しつつ動的内容を保持するために Lorentzian-based radial spectral cropping を適用する。
• 多ホライズンロールアウトと RMSE 指標を 輸送チャネルとポテンシャル場全体で評価する。

実験結果

リサーチクエスチョン

• RQ1 GKFieldFlow は複数の予測ホライズンにわたり非線形 gyrokinetic 流れ場と関連輸送フラックを高精度で予測できるか。
• RQ2 潜在記憶を有する3D時空間サロゲートは autoregressive ロールアウト中に位相整合とスペクトル成分を維持できるか。
• RQ3 精度と効率のバランスを取る最適な時間文脈と空間深さ（U-Net 深度）は何か。
• RQ4 Lorentzian スペクトル幅に基づく半径トリミングはサロゲートの忠実度と計算効率にどのように影響するか。
• RQ5 GKFieldFlow は非線形 GK 渦動の場の進化と輸送を捉える点で既存の ML サロゲートとどう比較されるか。

主な発見

levels	R_c	Train Loss	Val Loss	RMSE_Qi	RMSE_Qe	RMSE_Gamma	RMSE_Phi
1	11	0.00923	0.00169	0.03096	0.02898	0.03075	0.02493
2	11	0.00473	0.00084	0.01882	0.01669	0.02646	0.01770
1	11	0.00923	0.00169	0.03096	0.02898	0.03075	0.02493
2	11	0.00473	0.00084	0.01882	0.01669	0.02646	0.01770
1	17	0.01449	0.00163	0.02503	0.02024	0.02862	0.02839
2	17	0.00789	0.00111	0.01940	0.02322	0.02442	0.02193
3	17	0.00589	0.00118	0.02337	0.02903	0.02733	0.01927
1	33	0.01440	0.00181	0.02196	0.02552	0.03374	0.02904
2	33	0.00880	0.00133	0.02183	0.02564	0.02238	0.02513
3	33	0.00730	0.00112	0.02290	0.02557	0.02241	0.02109
1	49	0.01370	0.00130	0.02107	0.02064	0.02741	0.02464
2	49	0.01110	0.00142	0.02086	0.02662	0.02388	0.02607
3	49	0.01587	0.00342	0.03785	0.04736	0.04493	0.03494

• GKFieldFlow はイオン・電子熱フラックと粒子フラックの両方で高い精度を達成し、RMSE は 1.1e-2 から 2.0e-2、ポテンシャル場 RMSE は約 3–4% 程度。
• 自己回帰ロールアウトは数回の乱流自己相関時間にわたり位相整合とスペクトル成分を維持し、長期ホライズン予測は安定している。
• Lorentzian-based radial cropping (R_c) は入力次元を 324 radial modes から最小 17 まで削減しつつ大半のエネルギーを保持し、効率を向上させる。
• U-Net 深度を増やすと低い R_c で性能が向上する一方、高い R_c では深すぎるネットワークが性能を阻害するため、空間エンコーディング深さと入力解像度のバランスはレジーム依存である。
• 最適なトレーニング文脈 T_c とモデルのメモリは非マルコフ性サロゲート動力学にもかかわらず長期ホライズン予測を正確に可能にする。
• GKFieldFlow は presented テストケースにおいて matched physical intervals に対して CGYRO と比較して大幅な計算スピードアップ（概算で 100x–1000x）を提供する。