Spectrally accurate, reverse-mode differentiable bounce-averaging algorithm and its applications

Technische Zusammenfassung: Spektral genauer, rückwärts-moder Differenzierbarer Bounce-Averaging-Algorithmus und seine Anwendungen

Problemstellung
Das Design von Stellaratoren ist ein komplexes Optimierungsproblem mit hunderten von Freiheitsgraden, das darauf abzielt, die neoklassische Transportrate zu minimieren und den Einschluss zu verbessern. Traditionelle Optimierungsansätze verlassen sich auf Finite-Differenzen-Techniken, um Gradienten zu schätzen. Diese Methoden leiden unter einer geringen Genauigkeit und werden bei einer großen Anzahl optimierbarer Parameter rechnerisch nicht mehr handhabbar, da sie mehrere Funktionsauswertungen pro Parameter erfordern. Zudem sind bestehende Bounce-Averaging-Algorithmen, die zur Vereinfachung kinetischer Modelle (wie etwa der Drift-Kinetik-Gleichungen) verwendet werden, typischerweise nicht mit automatischer Differenzierung (AD) kompatibel und nutzen eine Verfahrensordnung mit niedrigerer Diskretisierung, was deren Genauigkeit und Nützlichkeit in der Gradientenoptimierung einschränkt.

Methodik
Die Autoren präsentieren einen schnellen, spektral (exponentiell) genauen und automatisch differenzierbaren Bounce-Averaging-Algorithmus, der innerhalb der DESC-Stellarator-Optimierungssuite (Direct Stellarator Optimization Code) implementiert ist. Die Methodik adressiert verschiedene rechnerische Herausforderungen:

1. Spektrale Quadratur für Bounce-Integrale: Der Kern des Algorithmus berechnet Bounce-gemittelte Größen, indem er entlang der Teilchenbahnen zwischen den Bounce-Punkten integriert. Um die Singularitäten zu behandeln, die durch das Verschwinden der Parallelgeschwindigkeit $|v_\parallel|$ an den Bounce-Punkten entstehen, verwenden die Autoren eine Koordinatentransformation kombiniert mit Gauß-Quadratur. Konkret nutzen sie Gauss-Chebyshev- (GC) und Gauss-Legendre- (GL) Quadraturen in Kombination mit einer Sinus-Transformation. Dieser Ansatz erreicht eine spektrale Konvergenz und übertrifft damit Standardverfahren wie Midpoint-, Simpson- oder Double-Exponential-Schemata erheblich, insbesondere in der Nähe der Singularitäten des Integranden.
2. Inverse MHD und spektrale Interpolation: Der Algorithmus nutzt ein inverses Verfahren, um die idealen magnetohydrodynamischen (MHD) Kraftbilanzgleichungen zu lösen. Die Plasma-Randbedingungen und die internen Felder werden mittels Fourier-Zernike-Reihen in Flusskoordinaten parametrisiert. Um den Rechenaufwand der „Moving-Grid“-Interpolation während der Optimierung zu vermeiden, berechnen die Autoren vorab die spektralen Projektionen der Feldlinien-Abbildung. Sie verwenden schnelle Fourier-Transformationen (FFT) und nicht-gleichmäßige FFTs, um die Abbildungen entlang der Feldlinien effizient auszuwerten.
3. Rückwärts-Modus-Differenzierung (Reverse-Mode Differentiation): Ein entscheidender Bestandteil ist die direkte Differenzierung der iterativen Lösung der Feldlinien-Koordinaten (Lösen von $\theta + \Lambda - \iota(\zeta + \omega) = \alpha$) in Bezug auf die Optimierungsparameter. Unter Verwendung des impliziten Funktionstheorems leiten die Autoren die Tangenten- und Adjoint-Methoden direkt ab. Dies ermöglicht es, dass die Kosten der Differenzierung unabhängig von der Anzahl der steuerbaren Parameter bleiben, was ein wesentlicher Vorteil gegenüber Finite-Differenzen-Methoden ist.
4. Zielfunktion: Die primäre Anwendung, die hier demonstriert wird, ist die Minimierung der effektiven Ripple-Amplitude $\epsilon_{eff}$, einer dimensionslosen Metrik, die proportional zum neoklassischen Transportkoeffizienten im Niedrig-Kollisionsregime ($1/\nu$) ist. Die Zielfunktion umfasst Terme für Aspektverhältnis, Krümmung, Elongation, Omnigenität und Ripple unter Einhaltung idealer MHD-Kraftbilanz-Constraints.

Wesentliche Beiträge

• Differenzierbares Bounce-Averaging: Die Arbeit führt die erste Implementierung eines Bounce-Averaging-Algorithmus ein, der vollständig mit der Rückwärts-Modus-automatischen Differenzierung kompatibel ist. Dies ermöglicht die effiziente Optimierung kinetisch basierter Zielgrößen, bei denen die Kosten für den Gradienten vergleichbar mit einer einzigen Funktionsauswertung sind, unabhängig von der Parameteranzahl.
• Spektrale Genauigkeit: Durch den Einsatz spezialisierter Quadraturregeln und Koordinatentransformationen erreicht der Algorithmus eine exponentielle Genauigkeit, wodurch sichergestellt wird, dass die Optimierungsgradienten tatsächliche physikalische Verbesserungen widerspiegeln und nicht numerisches Rauschen.
• Finite-Beta-Optimierung: Die Arbeit demonstriert die Optimierung einer Stellarator-Konfiguration mit endlichem Beta speziell zur Reduzierung des neoklassischen Ripple-Transports.
• Integration in DESC: Der Algorithmus ist in die DESC-Suite integriert, was die gleichzeitige Optimierung mehrerer physikbasierter Zielgrößen (z. B. Kraftbilanz, geometrische Constraints und Transportmetriken) ermöglicht, ohne bei jedem Schritt die MHD-Gleichgewichtslösung neu berechnen zu müssen.

Ergebnisse
Die Autoren wandten den Algorithmus an, um ein helikal-omnigeneres (OH) Gleichgewicht zu optimieren. Ausgehend von einer Initialkonfiguration reduzierte die Optimierung die effektive Ripple-Amplitude $\epsilon_{eff}$ signifikant. Der Prozess, der die Minimierung einer gewichteten Summe von Zielgrößen einschließlich der Ripple-Metrik beinhaltete, wurde in weniger als zwei Stunden mit einer einzelnen GPU abgeschlossen. Die Ergebnisse zeigen:

• Eine Reduktion der Größenordnung der Bounce-gemittelten radialen Drifts.
• Eine glattere Magnetfeldstruktur im optimierten Gleichgewicht im Vergleich zum Ausgangszustand.
• Die erfolgreiche Aufrechterhaltung der Kraftbilanz und der geometrischen Constraints (Elongation, Krümmung) während der gesamten Optimierung.
• Die optimierte Konfiguration weist einen reduzierten neoklassischen Transport auf, insbesondere im Niedrig-Kollisionsregime, in dem eingefangene Teilchenverluste dominieren.

Bedeutung und Ansprüche
Die Autoren behaupten, dass diese Arbeit eine „schnelle Optimierung zur Verbesserung der Stellarator-Leistung mit exponentieller Genauigkeit“ ermöglicht. Durch die Beseitigung der rechnerischen Barriere bei der Differenzierung kinetischer Modelle behaupten die Autoren, dass es nun möglich ist, Stellarator-Konfigurationen zur Reduzierung des neoklassischen Ripple-Transports direkt mittels Rückwärts-Modus-Differenzierung zu optimieren. Dies wird als neuartige Fähigkeit hervorgehoben, wobei explizit auf die erstmalige Optimierung eines Finite-Beta-Stellarators zur direkten Reduzierung des neoklassischen Ripple-Transports hingewiesen wird.

Die Autoren betonen, dass die spektrale Genauigkeit die Zuverlässigkeit der Optimierungsgradienten gewährleistet, um zu verhindern, dass der Optimierer durch numerische Fehler in die Irre geführt wird. Sie merken ferner an, dass sich der aktuelle Fokus zwar auf den neoklassischen Transport konzentriert, das Framework jedoch auf andere Zielgrößen erweiterbar ist, wie etwa das Einschlussverhalten energetischer Teilchen, turbulente Transport-Proxies (z. B. verfügbare Energie) und die Maximierung der zweiten adiabatischen Invariante. Die Arbeit legt damit den Grundstein für anspruchsvollere Inverse-Design-Probleme in der Stellarator-Physik, bei denen hochpräzise kinetische Modelle direkt mit Optimierungsschleifen gekoppelt werden können.