[论文解读] Gaussian Process Regression models for the properties of micro-tearing modes in spherical tokamak

W. A. Hornsby, Ander Gray+10 more|arXiv (Cornell University)|Sep 18, 2023

Magnetic confinement fusion researchPhysics and Astronomy被引用 3

一句话总结

本文开发了一种基于高斯过程回归（GPR）的代理模型，用于预测球形托卡马克中微尺度撕裂模式（MTM）的特性——增长率、频率和归一化电子热流，其数据来源于高保真度的磁流体动力学模拟。通过将GPR与主动学习循环及高斯过程分类器相结合，该模型仅需约5,000次模拟（约100万CPU小时）即可在7维参数空间中实现高精度预测，从而实现聚变能反应堆设计空间的高效探索。

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.

研究动机与目标

• 开发一种快速、准确且具备不确定性感知能力的代理模型，用于预测球形托卡马克中微尺度撕裂模式（MTM）的特性，该特性对聚变能反应堆设计至关重要。
• 克服在集成建模工作流中重复运行高保真度磁流体动力学模拟（如GS2）所带来的计算成本过高问题。
• 利用主动学习与机器学习技术，实现在7维反应堆相关参数空间中的高效探索。
• 提供一种简化模型，具备透明的置信区间，可用于输运与情景预测工具。
• 支持未来集成到JINTRAC等集成建模平台中，实现全非线性湍流预测。

提出的方法

• 使用高斯过程回归（GPR）对线性MTM特性（增长率、频率和归一化电子热流）进行建模，训练数据来源于GS2磁流体动力学代码的输出。
• 另设一个高斯过程分类器，用于预测7维参数空间中每个点的不稳定性概率，以指导主动学习。
• 通过主动学习循环优先选择不确定性高或不稳定性概率高的区域进行模拟，从而最小化所需高保真度模拟的次数。
• 模型利用高斯过程固有的不确定性估计来量化预测置信度，并指导数据采集。
• 通过交叉验证和在未见测试数据上的泛化性能验证模型表现，采用均方误差（MSE）、标准化均方误差（SMSE）以及可信区间覆盖率等指标。
• 该框架设计具备扩展至更高维参数空间、其他模态类型（如KBM、TEM）以及全特征函数预测的能力。

实验结果

研究问题

• RQ1 基于高斯过程回归的数据驱动代理模型能否以极低的高保真度模拟成本，准确预测球形托卡马克中微尺度撕裂模式的线性特性？
• RQ2 由GP分类器引导的主动学习循环在高维参数空间中，能否显著减少GS2模拟的次数？
• RQ3 该代理模型在参数空间未见区域中，其准确性和可靠的不确定性量化能力能达到何种程度？
• RQ4 该模型能否扩展至更广的参数范围和更多物理量（如通量面平均的k⊥²或全特征函数）？
• RQ5 该模型在其他不稳定的模态（如KBM、TEM）上泛化能力如何？能否与现有集成建模工具（如JINTRAC）良好集成？

主要发现

• 该代理模型仅通过约5,000次高保真度GS2模拟（约100万CPU小时）在7维参数空间中即实现了高精度预测。
• 主动学习循环显著提升了数据采集效率，使模拟集中于不稳定性概率高和不确定性大的区域。
• 模型展现出优异的泛化性能，95%可信区间的覆盖率接近名义上的0.95水平，表明不确定性估计校准良好。
• GP分类器实现了高精度与高召回率，F1分数接近1，表明能有效识别不稳定的MTM区域。
• 模型具备透明的不确定性量化能力，可指导针对性的模拟实验，以提升参数空间中探索不足区域的预测精度。
• 该框架具备可扩展性，可纳入更多参数、更广的参数范围（如将kyρs扩展至7），以及其它模态类型，支持未来集成至完整的集成建模工作流中。