Riepilogo Tecnico: TokaGrad – Simulatore di Tokamak Differenziabile End-to-End

1. Definizione del Problema

Mentre la ricerca sulla fusione magnetica sta transitando dalla fattibilità scientifica alla commercializzazione su scala di reattore, la progettazione di nuovi concetti di reattore e l'ottimizzazione di scenari di plasma ad alte prestazioni sono diventate critiche. Gli approcci tradizionali allo sviluppo di scenari si affidano pesantemente a tentativi ed errori costosi, alla sintonizzazione guidata dall'esperto delle forme d'onda e a scansioni di parametri a bassa dimensionalità. Sebbene gli strumenti di modellazione integrata (ad es., ASTRA, TRANSP) abbiano migliorato la sperimentazione virtuale, la progettazione degli scenari rimane un processo con "intervento umano" (human-in-the-loop).

Le principali limitazioni dei metodi attuali sono:

• Ottimizzazione Black-box: Molti approcci di machine learning (ottimizzazione bayesiana, apprendimento per rinforzo) trattano il simulatore come una black-box, richiedendo ripetute valutazioni forward e inferenze di sensibilità indirette, il che diventa computazionalmente proibitivo per scenari full-discharge ad alta dimensionalità e con molteplici attuatori.
• Mancanza di Differenziabilità: Le simulazioni numeriche convenzionali sono eseguite come procedure step-by-step dove i gradienti non possono propagarsi attraverso l'intero pipeline. Ciò impedisce il controllo e l'ottimizzazione diretta basati sul gradiente utilizzando le sensibilità interne.
• Modellazione Incompleta del Full-Scenario: Gli esistenti solver di trasporto differenziabili (ad es., TORAX) si sono concentrati principalmente sul trasporto del core e su scenari prescritti. Mancano di una modellazione autoconsistente di scenari dinamici full-discharge che coinvolgono transizioni L-to-H, formazione del pedestal dell'edge e l'accoppiamento della geometria del plasma in evoluzione con la ricostruzione dell'equilibrio.

2. Metodologia

Gli autori introducono TokaGrad, un simulatore di trasporto per tokamak differenziabile end-to-end costruito sul framework JAX. Il sistema rappresenta l'intero pipeline di simulazione — dalle condizioni iniziali alle prestazioni finali del plasma — come un grafo computazionale connesso e differenziabile. Ciò consente l'differenziazione automatica (AD) per calcolare i Jacobiani attraverso l'intero simulatore, collegando i parametri della macchina, le forme d'onda degli attuatori e le risposte del plasma.

Architettura Core

TokaGrad integra i seguenti moduli differenziabili all'interno di un singolo grafo:

1. Framework di Trasporto: Il nucleo consiste in equazioni di trasporto 1D accoppiate per temperatura elettronica/ionica ($T_{e,i}$), densità elettronica ($n_e$) e flusso magnetico poloidale ($\psi$) in una coordinata di flusso radiale normalizzata ($\rho$).

   • Schema Numerico: Viene utilizzato un metodo a volumi finiti semi-implicito per la stabilità, risolto tramite un risolutore di matrici tridiagonali differenziabile (algoritmo di Thomas) compatibile con la compilazione JIT di JAX.
   • Equazioni: Include il trasporto di particelle, il trasporto di energia conservativa (per $T_{e,i}$) e l'evoluzione del flusso induttivo accoppiato a sorgenti di bootstrap e drive di corrente.

2. Geometria ed Equilibrio:

   • Modalità EQDSK: Supporta equilibri generati esternamente (ad es., da EFIT) per un benchmarking realistico, sebbene i gradienti rispetto alla geometria siano limitati a meno che non siano parametrizzati.
   • Modalità Miller/Moment: Un modello a confine fisso ridotto utilizzando la parametrizzazione analitica delle superfici di flusso (raggio maggiore, allungamento, triangularità, spostamento di Shafranov). Questa modalità è completamente differenziabile, consentendo l'ottimizzazione dei parametri di forma della macchina ($R_0, a, \kappa$).

3. Chiusure di Trasporto:

   • Trasporto Turbolento: Utilizza surrogati basati su Reti Neurali (NN) (TGLF-NN, QLKNN) per sostituire i costosi solver girocinetici. Questi surrogati forniscono mappature differenziabili dai profili del plasma ai coefficienti di trasporto.
   • Trasporto Neoclassico: Supporta formule analitiche (Sauter-Angioni) e surrogati NN (NEO-NN).
   • Modelli Empirici: Include un modello Bohm-gyroBohm (BgB) per baseline rapide.

4. Sorgenti e Pozzi:

   • Riscaldamento: Riscaldamento ohmico, riscaldamento alpha (utilizzando il fit Bosch-Hale), scambio collisionale e perdite per radiazione. Il riscaldamento ausiliario è modellato tramite profili Gaussiani normalizzati e fluidi.
   • Sorgenti di Particelle: Implementa il controllo del feedback della densità (monitorando la frazione di Greenwald) o modelli a forma prescritta per evitare switch binari non differenziabili.

5. Transizione L-H e Pedestal:

   • Transizione: Utilizza una funzione sigmoide fluida per gestire la transizione tra L-mode e H-mode basata sulla potenza che attraversa la separatrice ($P_{sep}$) rispetto a una soglia empirica ($P_{LH}$, ad es., scalature Martin o Delabie). Ciò evita switch binari non differenziabili.
   • Pedestal: Costruisce i target del pedestal utilizzando o un modello ridotto alpha-critico o un surrogato EPED1-NN. Il profilo del pedestal è miscelato fluidamente con la soluzione del trasporto del core usando una funzione smoothmax, garantendo che i gradienti si propaghino attraverso la transizione.

3. Contributi Chiave

• Primo Simulatore Full-Discharge Differenziabile Autoconsistente: TokaGrad è il primo framework capace di modellare scenari dinamici full-discharge in cui attuatori, equilibrio del plasma, formazione del pedestal e transizioni di regime di confinamento (L-to-H) evolvono insieme all'interno di un grafo differenziabile.
• Differenziabilità End-to-End: Convertendo le chiusure fisiche ad alta fedeltà (TGLF, EPED1, NEO) in surrogati NN compatibili con JAX, il sistema consente ai gradienti di propagarsi dalle metriche di prestazione finali attraverso il trasporto, la turbolenza e i modelli di equilibrio fino agli input di design e controllo.
• Simulazione Interattiva Live: Il framework supporta una simulazione più veloce del tempo reale (dimostrata come un'accelerazione >10x rispetto a TORAX per impulsi lunghi dopo la compilazione JIT), consentendo l'esplorazione interattiva delle relazioni causa-effetto.
• Ottimizzazione Basata sul Gradiente: Il sistema facilita l'ottimizzazione diretta delle forme d'onda degli attuatori, delle traiettorie degli scenari e dei parametri di design del reattore senza richiedere scansioni a differenza finita.

4. Risultati e Dimostrazioni

Il paper valida TokaGrad attraverso benchmark e casi di studio di ottimizzazione:

• Benchmarking:

  • Contro TORAX: In uno scenario L-mode semplificato con geometria circolare, TokaGrad ha riprodotto i profili di trasporto del core (temperatura, densità, corrente) con un errore di circa il 5% rispetto al simulatore TORAX basato su JAX.
  • Prestazioni: TokaGrad ha dimostrato un'accelerazione del tempo di esecuzione (wall-clock time) di oltre un ordine di grandezza rispetto a TORAX per simulazioni a lungo impulso una volta ammortizzato l'overhead della compilazione JIT.
  • Simulazione H-Mode: Le simulazioni dello scenario baseline di ITER utilizzando TGLF-NN/EPED1-NN e QLKNN/alpha-critical hanno raggiunto un guadagno di fusione $Q \sim 11$ e una potenza di fusione $\sim 550$ MW in circa 7 secondi (più veloce del tempo reale).

• Simulazione Full-Discharge L-to-H:

  • Una simulazione di 150 secondi del baseline ITER ha modellato con successo la fase di ramp-up, la fase L-mode e la transizione verso l'H-mode.
  • La simulazione ha catturato l'isteresi della transizione L-H: un overshoot transitorio del riscaldamento (73 MW) ha innescato la transizione, dopodiché il riscaldamento alpha ha sostenuto l'H-mode anche dopo che la potenza ausiliaria era stata ridotta a 50 MW.

• Applicazioni di Ottimizzazione:

  • Controllo degli Attuatori: Il controllo basato sul gradiente (ottimizzatore Adam) ha regolato con successo la corrente del plasma ($I_p$), il riscaldamento ausiliario ($P_{aux}$) e la frazione di Greenwald ($f_{GW}$) per massimizzare le metriche di fusione ($Q + 0.01 P_{fus}$), rispettando i vincoli di stabilità ($q_{95} > 3, \beta_N < 3$).
  • Ottimizzazione della Forma d'Onda dello Scenario: Partendo da un ramp-up ingenuo che falliva nell'accedere all'H-mode, l'ottimizzatore ha scoperto automaticamente una strategia di overshoot del riscaldamento transitorio. Ciò ha permesso al plasma di superare la soglia L-H e sostenere un H-mode ad alte prestazioni sotto le stesse condizioni finali degli attuatori.
  • Ottimizzazione del Design del Reattore: Il framework ha ottimizzato i parametri di design della macchina ($R_0, a, B_T, I_p$) per massimizzare le prestazioni di fusione. L'ottimizzatore ha identificato correttamente i trend come l'aumento del raggio maggiore e del campo magnetico, regolando al contempo i parametri per soddisfare i vincoli di stabilità.

5. Significato e Rivendicazioni

Gli autori sostengono che TokaGrad fornisca una via pratica verso la progettazione automatizzata di scenari per tokamak. Sostituendo l'ottimizzazione black-box con metodi basati sul gradiente resi possibili dalla fisica differenziabile, il framework consente:

• Analisi Diretta della Sensibilità: Calcolare come il guadagno di fusione dipenda dalle traiettorie di riscaldamento o come l'altezza del pedestal dipenda dalla geometria senza perturbazioni esterne.
• Ottimizzazione Dipendente dal Percorso: Ottimizzare non solo lo stato finale, ma l'intero percorso dinamico (ad es., le forme d'onda di ramp-up) necessario per raggiungere regimi ad alte prestazioni come l'H-mode.
• Scalabilità: La capacità di eseguire ripetute valutazioni forward e backward su hardware di classe laptop (Apple M1 Pro) rende fattibile l'ottimizzazione di scenari di reattore complessi e multi-obiettivo che prima erano computazionalmente impraticabili.

Il paper conclude che, sebbene le attuali dimostrazioni si concentrino su condizioni simili al baseline di ITER, il framework è generale e offre un nuovo percorso per l'ottimizzazione automatizzata, basata sulla fisica, di scenari di plasma in combustione e concetti di reattori di prossima generazione.