[论文解读] 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 0

一句话总结

GKFieldFlow 是一个3D时空自回归代理，用于演化 gyrokinetic 湍流场，并从 CGYRO 数据中联合预测离子/电子能量通量和粒子通量，采用3D U-Net 编码-解码器 + 扩张时间卷积网络实现。

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.

研究动机与目标

• 在磁约束聚变中的传输预测和情景规划中，为非线性 gyrokinetic 湍流提供快速且高保真的代理的必要性与动机。
• 开发一个能够在预测相关传输通量的同时演化3D湍流场的物理信息神经代理。
• 利用 FieldFlow-Net 架构（3D U-Net 编码器-解码器 + 扩张 TCN）来建模时空动态的自回归。
• 在与非线性 CGYRO 参考数据对比中展示多时域精度和自回归展开的稳定性。

提出的方法

• 使用3D多层 U-Net 编码器从复杂势场的短历史历史（Re/Im 通道）中提取空间湍流特征。
• 引入扩张型时间卷积网络（TCN）以学习潜在湍流特征的非线性时间演化。
• 实现两条头：场头用于重建未来势场，通量头在预计时间内预测 Q_i、Q_e 和 Γ。
• 在 CGYRO 非线性 gyrokinetic 数据上进行带窗口历史和自回归展开评估的训练，以确保长时域保真度。
• 应用基于 Lorentzian 的径向谱裁剪以降低输入维度，同时保留动力学内容。
• 使用多时域展开和 RMSE 指标在传输通道与势场上进行评估。

实验结果

研究问题

• RQ1 GKFieldFlow 是否能够在多个预测时间内准确预测非线性 gyrokinetic 湍流场及相关传输通量？
• RQ2 具有潜在记忆的3D时空代理在自回归展开过程中是否能保持相位一致性和谱内容？
• RQ3 在 GKFieldFlow 中，为平衡精度与效率，最佳的时间上下文和空间深度（U-Net 深度）是什么？
• RQ4 基于 Lorentzian 谱宽的径向裁剪对代理保真度和计算效率有何影响？
• RQ5 与现有 ML 代理相比，GKFieldFlow 在捕获非线性 GK 湍流中的场演化与传输耦合方面有何差异？

主要发现

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 在离子和电子热通量以及粒子通量上达到高精度，且 RMSE 低（1.1e-2 到 2.0e-2），势场 RMSE 约为 3–4%。
• 自回归展开在若干湍流自相关时间内保持相位一致性和谱内容，具有稳定的长时域预测。
• 基于 Lorentzian 的径向裁剪（R_c）将输入维度从 324 个径向模降至最少 17，同时保留大部分能量，提升效率。
• 在较低 R_c 时，增加 U-Net 深度可提升表现；在较高 R_c 时，过深的网络可能降低表现，表明空间编码深度与输入分辨率之间的平衡在不同工作区间是依赖的。
• 最佳训练上下文 T_c 和模型记忆能力使得在非马尔可夫代理动力学下仍能实现准确的长时域预测。
• GKFieldFlow 相对于 CGYRO，在匹配物理区间的情况下提供显著的计算加速（大约 100x–1000x）。