Bayesian optimization of stellarator alpha-particle confinement using data-informed parameter spaces and dimensionality reduction

Sintesi Tecnica: Ottimizzazione Bayesiana del Confinamento delle Particelle Alfa in uno Stellarator

Definizione del Problema
La progettazione moderna degli stellarator si basa sull'ottimizzazione della forma del confine del plasma, tipicamente parametrizzata tramite ampiezze di Fourier. Questo spazio di parametri tradizionale presenta sfide significative per gli algoritmi di ottimizzazione globale, in particolare per l'ottimizzazione bayesiana (BO). In primo luogo, le scale dei modi di Fourier variano drasticamente (i modi di ordine superiore hanno ampiezze molto più piccole rispetto ai modi di ordine inferiore), violando l'assunto che le dimensioni di input debbano avere scale simili per un'ottimizzazione efficiente. In secondo luogo, molti algoritmi globali richiedono vincoli di limite (vincoli di scatola o box constraints), ma impostare tali limiti per le ampiezze di Fourier non è banale: vincoli troppo ampi possono portare a confini auto-intersecanti e non fisici, dove i calcoli dell'equilibrio magnetoidrodinamico (MHD) falliscono, mentre vincoli troppo stretti limitano l'espressività della geometria, potenzialmente escludendo forme ottimali. Inoltre, gli spazi di Fourier ad alta dimensionalità rendono computazionalmente proibitivo l'inserimento di calcoli fisici ad alta fedeltà, come il tracciamento diretto del centro-guida (guiding-center tracing) per il confinamento delle particelle energetiche, all'interno del ciclo di ottimizzazione.

Metodologia
Gli autori propongono due nuovi spazi di parametri "informati dai dati" (data-informed) progettati per affrontare i problemi di scala, i vincoli di limite e la dimensionalità. Entrambi i metodi utilizzano un dataset di confini di stellarator esistenti (estratti da configurazioni sperimentali come W7-X e LHD, e database come QUASR e ConStellaration) per definire una distribuzione di probabilità a priori sulle forme dei confini.

1. Spazio di Fourier con Trasformazione dei Quantili:

   • Una trasformazione dei quantili viene applicata indipendentemente a ciascuna ampiezza di Fourier nel dataset.
   • Questo mappa la funzione di ripartizione empirica (CDF) di ciascun parametro a una distribuzione uniforme sull'intervallo unitario $[0, 1]$.
   • Le variabili trasformate diventano i nuovi gradi di libertà. Questo approccio limita naturalmente i parametri all'intervallo $[0, 1]$, garantisce scale comparabili tra le dimensioni ed è robusto rispetto agli outlier. La trasformazione è lineare a tratti, preservando la compatibilità con i metodi basati sul gradiente, se necessario.

2. Spazio di Parametri Basato su PCA:

   • L'analisi delle componenti principali (PCA) viene prima applicata ai dati del confine (rappresentati come coordinate $(R, Z)$ su una griglia).
   • Una trasformazione dei quantili viene poi applicata alle ampiezze delle componenti principali.
   • Questo metodo offre una riduzione della dimensionalità, catturando la varianza di forme di confine complesse con un piccolo numero di parametri, mantenendo al contempo limiti naturali.

Entrambi i metodi consentono il campionamento pesato per evitare la sovrarappresentazione di specifiche classi di configurazioni (ad esempio, design quasi-simmetrici) nei dati di addestramento. Gli autori dettagliano inoltre le procedure per fissare il raggio maggiore, il raggio minore e l'aspect ratio indipendentemente dalla definizione dello spazio dei parametri.

Applicazione dell'Ottimizzazione
I nuovi spazi di parametri sono dimostrati tramite ottimizzazione bayesiana per minimizzare le perdite di particelle alfa.

• Funzione Obiettivo: Viene definita una nuova funzione obiettivo basata sul tempo necessario affinché le perdite di particelle alfa raggiungano una soglia ($M=2\%$). Se le perdite superano la soglia precocemente, l'obiettivo è penalizzato in base al tempo impiegato per raggiungerla; altrimenti, si basa sulla perdita totale a un tempo fisso ($t_{max}=0.1$ s). Questo funge da metodo multi-fedeltà, terminando il tracciamento anticipatamente per le configurazioni scarse per risparmiare risorse computazionali.
• Algoritmo: Viene utilizzata l'ottimizzazione bayesiana parallela asincrona tramite le librerie Ax e TURBO. Il flusso di lavoro utilizza più GPU (tramite il codice CATAPULT) per tracciare simultaneamente le traiettorie del centro-guida, con un processo di gestione (manager) che aggiorna il modello surrogato del processo gaussiano man mano che i risultati tornano.
• Modello Fisico: Gli equilibri MHD sono calcolati usando vmec++. Le traiettorie del centro-guida per particelle alfa da 3.5 MeV vengono tracciate senza collisioni in coordinate Boozer. La scala del dispositivo è fissata a un campo magnetico massimo di 12 T, con profili di pressione tipici di reattori stellarator ad alto campo.

Risultati Chiave
Gli autori presentano cinque configurazioni di stellarator ottimizzate (Configurazioni 1–5) generate utilizzando questi metodi:

• Performance di Confinamento: Tutte e cinque le configurazioni mostrano un eccellente confinamento delle particelle alfa. Le configurazioni 1–3 (non vincolate) ottengono perdite di energia $< 0.06\%$. Le configurazioni 4–5, che includono un vincolo per la stabilità di Mercier, ottengono perdite $\le 1\%$.
• Confronto con i Baseline: Quando confrontate con configurazioni esistenti (inclusi i design ConStellaration ottimizzati per la quasi-isodinamicità e le varianti W7-X) sotto identica scalatura e inizializzazione, le nuove configurazioni mostrano perdite significativamente inferiori (spesso di un ordine di grandezza migliori).
• Topologia del Campo: I campi ottimizzati sono notevolmente lontani da modelli ideali quasi-simmetrici (QS), omnigeni o quasi-isodinamici (QI). Ad esempio, i contorni del campo magnetico vicino a $B_{max}$ nella maggior parte delle configurazioni non si chiudono poloidalmente, toroidalmente o elicoidalmente, violando l'omnigenicità. La configurazione 3 presenta una struttura ibrida che ricorda i campi a pezzi-omnigeni (piecewise-omnigenous).
• Trasporto Neoclassico: Nonostante la mancanza di una stretta simmetria, le configurazioni ottimizzate mostrano un basso increspatura efficace (effective ripple $\epsilon_{eff} < 1\%$) nel nucleo, paragonabile o migliore di W7-X, suggerendo che l'ottimizzazione per il confinamento delle particelle veloci migliori intrinsecamente il trasporto termico neoclassico.
• Efficacia dello Spazio dei Parametri: Gli spazi informati dai dati migliorano significativamente la "frazione utilizzabile" ($f_{us}$) dello spazio di design (la frazione dello spazio dei parametri in cui l'equilibrio MHD converge) rispetto ai baseline di Fourier. Il metodo PCA dimostra ulteriormente che una ricca varietà di confini fortemente sagomati può essere rappresentata con un numero ridotto di dimensioni (ad esempio, 20–25 componenti principali).

Significatività e Rivendicazioni
Il documento afferma che i proposti spazi di parametri informati dai dati risolvono efficacemente il compromesso tra espressività e utilizzabilità dello spazio di design per l'ottimizzazione globale. Mappando le distribuzioni dei dati in un ipercubo unitario tramite trasformazioni dei quantili, i metodi forniscono limiti naturali e scalabilità che facilitano l'uso di algoritmi privi di derivate come l'ottimizzazione bayesiana.

Il principale contributo scientifico è la dimostrazione che un eccellente confinamento delle particelle alfa può essere ottenuto in configurazioni di stellarator che sono molto lontane dall'essere quasi-simmetriche o quasi-isodinamiche. Ciò sfida la visione prevalente secondo cui l'aderenza rigorosa alle condizioni QS o QI sia necessaria per un buon confinamento, suggerendo che tali condizioni possano essere eccessivamente restrittive. Il lavoro fornisce un quadro per ottimizzare direttamente obiettivi fisici ad alta fedeltà e non regolari (come il tracciamento Monte Carlo del centro-guida) combinando la riduzione della dimensionalità, la parametrizzazione robusta e il calcolo parallelo asincrono.