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

Sintesi Tecnica: Algoritmo di Bounce-Averaging Spettralmente Accurato e Differenziabile in Modalità Inversa e le sue Applicazioni

Definizione del Problema
La progettazione degli stellarator implica un problema di ottimizzazione complesso con centinaia di gradi di libertà, volto a minimizzare il trasporto neoclassico e migliorare il confinamento. Gli approcci di ottimizzazione tradizionali si affidano a tecniche di differenza finita per stimare i gradienti. Tali metodi soffrono di una precisione di ordine basso e diventano computazionalmente impraticabili quando il numero di parametri ottimizzabili è elevato, poiché richiedono molteplici valutazioni della funzione obiettivo per ogni parametro. Inoltre, gli algoritmi di bounce-averaging esistenti utilizzati per semplificare i modelli cinetici (come le equazioni drift-kinetic) sono tipicamente incompatibili con la differenziazione automatica (AD) e utilizzano una discretizzazione di ordine inferiore, limitandone l'accuratezza e l'utilità nell'ottimizzazione basata sul gradiente.

Metodologia
Gli autori presentano un algoritmo di bounce-averaging veloce, spettralmente (esponenzialmente) accurato e automaticamente differenziabile, implementato all'interno della suite di ottimizzazione per stellarator DESC (Direct Stellarator Optimization Code). La metodologia affronta diverse sfide computazionali:

1. Quadratura Spettrale per gli Integrali di Bounce: Il nucleo dell'algoritmo calcola le grandezze mediate nel bounce integrando lungo le traiettorie delle particelle tra i punti di bounce. Per gestire le singolarità derivanti dal fatto che la velocità parallela $|v_\parallel|$ si annulla nei punti di bounce, gli autori impiegano una trasformazione di coordinate combinata con la quadratura di Gauss. Nello specifico, utilizzano quadrature di Gauss-Chebyshev (GC) e Gauss-Legendre (GL) composte con una trasformazione seno. Questo approccio raggiunge la convergenza spettrale, superando significativamente gli schemi standard di punto medio, Simpson o a doppia esponenziale, particolarmente in prossimità delle singolarità dell'integrando.
2. MHD Inversa e Interpolazione Spettrale: L'algoritmo utilizza un metodo inverso per risolvere le equazioni di bilancio delle forze dell'idrodinamica magnetica (MHD) ideale. Il confine del plasma e i campi interni sono parametrizzati mediante serie Fourier-Zernike in coordinate di flusso. Per evitare l'ostacolo computazionale dell'interpolazione a "griglia mobile" durante l'ottimizzazione, gli autori precomputano le proiezioni spettrali della mappatura delle linee di campo. Utilizzano trasformate rapide di Fourier (FFT) e FFT non uniformi per valutare efficientemente le mappe lungo le linee di campo.
3. Differenziazione in Modalità Inversa: Una componente critica è la differenziazione diretta della soluzione iterativa per le coordinate della linea di campo (risolvendo $\theta + \Lambda - \iota(\zeta + \omega) = \alpha$) rispetto ai parametri di ottimizzazione. Utilizzando il teorema della funzione implicita, gli autori derivano direttamente i metodi tangente e avolo (adjoint). Ciò consente alla complessità computazionale della differenziazione di rimanere indipendente dal numero di parametri controllabili, un vantaggio chiave rispetto ai metodi di differenza finita.
4. Funzione Obiettivo: L'applicazione principale dimostrata è la minimizzazione dell'ondulazione efficace $\epsilon_{eff}$, una metrica adimensionale proporzionale al coefficiente di trasporto neoclassico nel regime a bassa collisionalità ($1/\nu$). La funzione obiettivo include termini per il rapporto d'aspetto, la curvatura, l'allungamento, l'omogeneità (omnigeneity) e l'ondulazione (ripple), soggetti a vincoli di bilancio delle forze MHD ideali.

Contributi Chiave

• Bounce-Averaging Differenziabile: Il documento introduce la prima implementazione di un algoritmo di bounce-averaging che è completamente compatibile con la differenziazione automatica in modalità inversa. Ciò consente l'ottimizzazione efficiente di obiettivi cinetici dove il costo del gradiente è paragonabile a una singola valutazione della funzione, indipendentemente dal numero di parametri.
• Accuratezza Spettrale: Impiegando regole di quadratura specializzate e trasformazioni di coordinate, l'algoritmo raggiunge un'accuratezza esponenziale, garantendo che i gradienti di ottimizzazione riflettano reali miglioramenti fisici piuttosto che rumore numerico.
• Ottimizzazione a Beta-Finito: Il lavoro dimostra l'ottimizzazione di una configurazione stellarator a beta-finito specificamente per ridurre il trasporto da ondulazione neoclassica.
• Integrazione in DESC: L'algoritmo è integrato nella suite DESC, consentendo l'ottimizzazione simultanea di molteplici obiettivi basati sulla fisica (ad esempio, bilancio delle forze, vincoli geometrici e metriche di trasporto) senza dover risolvere nuovamente l'equilibrio MHD ad ogni passo.

Risultati
Gli autori hanno applicato l'algoritmo per ottimizzare un equilibrio elicoidalmente omnigeno (OH). Partendo da una configurazione iniziale, l'ottimizzazione ha ridotto significativamente l'ondulazione efficace $\epsilon_{eff}$. Il processo, che ha comportato la minimizzazione di una somma pesata di obiettivi inclusa la metrica dell'ondulazione, è stato completato in meno di due ore utilizzando una singola GPU. I risultati mostrano:

• Una riduzione dell'ampiezza dei drift radiali mediati nel bounce.
• Una struttura del campo magnetico più fluida nell'equilibrio ottimizzato rispetto allo stato iniziale.
• Il mantenimento con successo del bilancio delle forze e dei vincoli geometrici (allungamento, curvatura) durante l'ottimizzazione.
• La configurazione ottimizzata presenta un trasporto neoclassico ridotto, in particolare nel regime a bassa collisionalità dove dominano le perdite di particelle intrappolate.

Significatività e Rivendicazioni
Il documento afferma che questo lavoro consente l' "ottimizzazione veloce per migliorare le prestazioni dello stellarator con accuratezza esponenziale". Rimuovendo la barriera computazionale associata alla differenziazione di modelli cinetici, gli autori asseriscono che è ora fattibile ottimizzare direttamente le configurazioni degli stellarator per la riduzione del trasporto neoclassico utilizzando la differenziazione in modalità inversa. Ciò è evidenziato come una capacità inedita, sottolineando in particolare la prima ottimizzazione di uno stellarator a beta-finito per ridurre direttamente l'ondulazione neoclassica.

Gli autori sottolineano che l'accuratezza spettrale garantisce l'affidabilità dei gradienti di ottimizzazione, impedendo all'ottimizzatore di essere tratto in errore da errori numerici. Notano inoltre che, sebbene l'attuale lavoro si concentri sul trasporto neoclassico, il framework è estendibile ad altri obiettivi come il confinamento delle particelle energetiche, i proxy del trasporto turbolento (ad esempio, l'energia disponibile) e la massimizzazione del secondo invariante adiabatico. Il lavoro stabilisce le fondamenta per problemi di progettazione inversa più sofisticati nella fisica degli stellarator, in cui modelli cinetici ad alta fedeltà possono essere direttamente accoppiati con cicli di ottimizzazione.