[论文解读] Deep learning based surrogate model for first-principles global simulations of fusion plasmas

Ge Dong, Xishuo Wei+4 more|arXiv (Cornell University)|Jun 21, 2021

Magnetic confinement fusion research参考文献 36被引用 4

一句话总结

本文提出了一种基于第一性原理gyrokinetic模拟训练的深度学习代理模型（SGTC），用于预测DIII-D聚变等离子体中电流驱动kink模的等离子体不稳定性特性——特别是增长率和模结构。SGTC的推理时间在毫秒量级，通过加速原本在聚变能应用中因过慢而无法实际使用的模拟，实现了等离子体的实时控制。

ABSTRACT

The accurate identification and control of plasma instabilities is important for successful fusion experiments. First-principles simulations which can provide physics based instability information including the growth rate and mode structure are generally not fast enough for real-time applications. In this work, a deep-learning based surrogate model as an instability simulator has been developed and trained in a supervised manner with data from the gyrokinetic toroidal code (GTC) global electromagnetic simulations of the current driven kink instabilities in DIII-D plasmas. The inference time of the surrogate model of GTC (SGTC) is on the order of milliseconds, which fits the requirement of the DIII-D real-time plasma control system (PCS). SGTC demonstrates strong predictive capabilities for the kink mode instability properties including the growth rate and mode structure.

研究动机与目标

• 开发一种快速、准确的代理模型，用于第一性原理全局聚变等离子体模拟，以实现实时不稳定性预测。
• 解决在聚变能应用的等离子体控制中实时运行完整gyrokinetic模拟在计算上不可行的问题。
• 利用GTC代码生成的数据训练深度神经网络，以预测关键不稳定性特征，如增长率和模结构。
• 确保代理模型的推理速度满足DIII-D实时等离子体控制系统（PCS）的毫秒级要求。
• 通过与高保真第一性原理模拟对比，验证代理模型的预测准确性。

提出的方法

• 采用监督式深度学习框架，利用来自GTC模拟的大规模输入参数与对应不稳定性输出数据集训练神经网络。
• 输入特征包括与kink模不稳定性相关的等离子体参数，如电流剖面、磁场构型和密度梯度。
• 输出层预测DIII-D等离子体中电流驱动kink不稳定性的增长率和模结构。
• 模型架构经过优化以兼顾速度与准确性，采用残差连接和归一化层以增强训练稳定性和推理性能。
• 代理模型使用在不同运行条件下DIII-D等离子体的全局电磁GTC模拟数据进行训练。
• 推理时间在毫秒量级，使其适合集成到实时控制系统中。

实验结果

研究问题

• RQ1 深度学习代理模型能否准确预测DIII-D等离子体中电流驱动kink不稳定的增长率和模结构？
• RQ2 该代理模型是否实现了与实时等离子体控制系统兼容的推理速度？
• RQ3 与完整的第一性原理模拟相比，该代理模型在多样化等离子体参数配置下的泛化能力如何？
• RQ4 该代理模型相对于高保真GTC模拟的预测准确性如何？
• RQ5 该代理模型能否在有限的高保真模拟数据集上有效训练，以确保鲁棒性和可迁移性？

主要发现

• SGTC代理模型的推理时间在毫秒量级，满足DIII-D等离子体控制系统对实时性的要求。
• 该模型在多种等离子体条件下对电流驱动kink不稳定的增长率和模结构均表现出强大的预测能力。
• 与完整GTC模拟相比，代理模型保持了高精度，预测误差始终处于控制应用可接受的阈值范围内。
• 深度学习框架成功从第一性原理模拟数据中学习到等离子体参数与不稳定特性之间复杂的非线性关系。
• 训练后的模型对未见过的等离子体构型具有良好的泛化能力，表明其在不同运行状态下的鲁棒性和可迁移性。
• 将SGTC集成到实时控制流程中是可行的，标志着在磁约束聚变能领域实现预测性等离子体控制方面迈出了重要一步。