Kinetic Equilibrium Prediction at TCV using RAPTOR and FBT

本論文は、RAPTOR 輸送コードと FBT 平衡計算コードを結合した新しい運動学的平衡予測ワークフローを提案し、TCV トカマクにおいて事前シミュレーションによるコイル電流や内部インダクタンスなどの重要パラメータの精度向上と、より現実的なパルス計画の実現を可能にしたことを報告しています。

要約

🌟 核融合実験は「料理」と同じ

まず、核融合実験を**「高級レストランでの料理」**に例えてみましょう。

• 核融合炉（TCV）： 巨大な調理釜。
• プラズマ： 釜の中で燃え盛る「超高温の食材」。
• コイル（電磁石）： 食材を釜の中心に浮かせて、形を整えるための「目に見えない手」。
• 実験計画（ショット）： 料理のレシピ。

これまでの実験では、レシピ（計画）を立てる際、**「おおよその経験則」**で食材の動きを予測していました。「この火力なら、食材はこう動くだろう」という勘や過去のデータに頼っていたのです。

しかし、核融合は非常に繊細です。食材（プラズマ）が少し動いただけで、釜の壁に当たって消えてしまったり（暴走）、形が崩れて失敗したりするリスクがありました。

🚀 新しいアプローチ：「RAPTOR」と「FBT」のタッグ

この論文で紹介されているのは、**「事前に食材の動きを精密にシミュレーションし、最適なレシピを作る」**という新しい方法です。これには 2 つの天才的な AI（コンピュータプログラム）が協力しています。

1. RAPTOR（ラプター）：未来を予言する「天気予報士」

• 役割： 食材（プラズマ）が、加熱されるとどう動き、どう熱を持ち、どう形を変えるかを**「1 秒先、10 秒先」**まで計算します。
• 特徴： 非常に速い計算が得意です。実験が始まる前に、「もしこうすれば、食材はこうなるよ」と教えてくれます。
• 今回の進化： これまで「L モード（普通の状態）」と「H モード（高性能な状態）」の切り替わりを予測するのが難しかったのですが、今回は「三角の形（トランギュラリティ）」や「磁場の向き」まで考慮して、**「いつ、どんな状態に変わるか」**をより正確に予測できるように進化しました。

2. FBT（エフ・ビー・ティー）：完璧な形を作る「職人」

• 役割： 「RAPTOR」が予言した食材の動きに合わせて、**「どの電磁石（コイル）を、どれくらいの強さで動かせば、食材が理想的な形を保てるか」**を計算します。
• 特徴： 逆算して、必要な力を計算するプロです。

🤝 二人の協力（KEP ワークフロー）

この 2 つのプログラムを連携させたのが、この論文の核心である**「KEP（運動学的平衡予測）」**です。

1. ステップ 1： 「RAPTOR」が「もしこのレシピでやれば、食材はこう動くよ（温度や密度の分布）」と予測します。
2. ステップ 2： その予測情報を「FBT」に渡します。「FBT」は「なるほど、食材がこう動くなら、この電磁石はもっと強く、あの電磁石は弱くしないと形が崩れるな」と計算し直します。
3. ステップ 3： 2 人が数回やり取り（イテレーション）して、「これなら完璧な形が保てる！」という答えに収束します。

🎯 なぜこれがすごいのか？（具体的な成果）

この新しい方法を使うと、実験前に**「電磁石の電流の量」**を、これまでの経験則よりもはるかに正確に設定できます。

• 例え話：
  • 昔の方法： 「おおよそこのくらいでいいかな？」と大まかに電磁石を調整する。→ 実験中に「あ、形が崩れた！急いで直す！」と慌てて対応する。
  • 新しい方法： 「食材の動きを事前にシミュレーションしたから、電磁石の調整は最初から完璧！」→ 実験中は**「形が崩れることなく、安定して料理が進む」**。

論文では、2 つの実験例が紹介されています。

1. 標準的な実験： 電磁石の調整が少しずれていただけで、プラズマの形が目標から外れていました。新しい方法を使えば、**「目標の形にピタリと合う」**ようになりました。
2. 難易度の高い実験（雪の結晶のような形）： 非常に不安定で制御が難しい「雪の結晶（スノーflake）」という形の実験でも、新しい方法を使うことで、**「最後まで形が崩れずに安定」**しました。

💡 結論：実験の「失敗」を減らす

この研究は、**「実験する前に、コンピュータの中で完璧なリハーサルを繰り返す」**ことを可能にしました。

• メリット：
  • 実験の失敗（プラズマが暴走して止まること）が減る。
  • 実験の準備時間が短縮される。
  • 将来の巨大な核融合炉（ITER など）でも、この「事前シミュレーション」の技術が役立つ。

要するに、「経験と勘」に頼っていた料理を、「精密なシミュレーションとデータ」で支えられた、確実な科学へと進化させたという画期的な一歩です。これにより、人類が「無限のエネルギー（核融合）」を手に入れるための道が、より確実でスムーズなものになりました。

技術概要

論文要約：TCV における RAPTOR と FBT を用いた運動学的平衡予測（KEP）

本論文は、スイス・プラズマセンター（SPC/EPFL）の TCV トカマクにおいて、新しい「運動学的平衡予測（Kinetic-Equilibrium Prediction: KEP）」ワークフローを開発し、実証した結果を報告するものです。この手法は、トカマク運転前のショット準備段階で、輸送シミュレーションコード「RAPTOR」と平衡計算コード「FBT」を結合し、プラズマの運動量プロファイル（温度、密度、電流密度）と磁気平衡を自己整合的に予測することを目的としています。

以下に、問題提起、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 背景と問題提起

トカマクの実験計画や最適化において、プラズマの性能限界（ディスラプションや機器保護システムのトリガー）を事前に評価することは不可欠です。従来のショット準備では、平衡計算（FBT など）に用いる内部プロファイル（圧力勾配 $p'$ や電流関数 $TT'$）を、オペレーターの経験則や単純な多項式近似に基づいて設定していました。
しかし、このアプローチには以下の課題がありました：

• 予測精度の限界: 実際のプラズマ内部プロファイル（特に H モードや複雑な形状）を正確に反映しておらず、必要なコイル電流の推定誤差が生じる。
• 不安定性リスク: 内部インダクタンス ($l_i$) や正規化圧力 ($\beta_N$) などの重要パラメータの推定誤差が、垂直不安定や形状のズレ、最悪の場合垂直変位事象（VDE）を引き起こす可能性がある。
• リアルタイム性の欠如: 複雑な物理モデルを事前シミュレーションに組み込むことが難しく、迅速なショット準備が困難だった。

2. 手法と方法論

本研究では、以下の 2 つのコードを結合した KEP ワークフローを構築しました。

2.1 輸送シミュレーション（RAPTOR）

• 概要: TCV 向けに開発された高速な 1.5D 輸送コード。プラズマコアの電流密度、電子・イオン温度、電子密度の時間発展を予測します。
• モデルの拡張:
  • 勾配ベース輸送モデル: 従来の L モードから H モードへの遷移を予測するため、Martin スケーリング則を拡張し、三角度（Triangularity）の影響や、負の三角度（Negative Triangularity: NT）プラズマにおける L モードの高性能化を考慮しました。
  • H モード遷移予測: 分離器（Divertor）の幾何学的配置（有利/不利なドリフト方向）や二重 Null 配置（Double-Null）の条件を考慮した閾値モデルを導入しました。
  • イオン温度: 電子温度からのスケーリング法と、イオン熱輸送方程式を直接解く手法の両方を検証し、後者がより高精度であることを示しました。
• 入力: ショットスケジュール（電流、加熱パワー、ガス流量など）と、事前の閉じ込め品質因子 ($H_{98}$) および線平均密度の推定値。

2.2 平衡計算（FBT）

• 概要: TCV で日常的に使用される静的自由境界平衡ソルバー。外部コイル電流を最適化して目標形状を維持します。
• 結合戦略: RAPTOR で予測された内部プロファイル（$p'$ と $TT'$）を FBT の入力として提供します。FBT は、これらのプロファイルを基に Grad-Shafranov 方程式を解き、必要なコイル電流を再計算します。
• 収束プロセス: 両コードを数回（通常 2〜3 回）交互に実行し、平衡パラメータ（$\beta_{pol}$, $l_i$）とコイル電流が収束するまで繰り返します。

2.3 ワークフロー

1. ショットスケジュールを入力として RAPTOR に渡す。
2. RAPTOR が運動量プロファイル（$T_e, T_i, n_e, j_\parallel$）を予測。
3. 予測されたプロファイルを FBT に渡す。
4. FBT が平衡を計算し、必要な PF コイル電流を出力。
5. 必要に応じてステップ 2-4 を反復し、自己整合的な解を得る。
6. 得られたフィードフォワード電流軌跡を TCV の制御システムに組み込む。

3. 主要な貢献と結果

3.1 広範なショットでのベンチマーク（211 ショット）

TCV の 211 ショット（L モード、H モード、正/負の三角度、多様な形状）に対して、この KEP を適用し、実験データと比較しました。

• エネルギー予測: 実験値と比較して、電子およびイオンの全エネルギーを 20% 以内の誤差で予測することに成功しました。
• H モード遷移: 51 の H モード遷移検出ショットのうち、48 で遷移時刻を 100ms 以内に予測できました。特に、負の三角度（NT）プラズマにおける H モードへの遷移抑制や、二重 Null 配置における遷移閾値の複雑さをモデル化できました。
• 計算時間: 1 秒分の放電シミュレーションに約 2.3〜2.8 分（標準 CPU 使用）を要し、TCV のショット間隔（5〜15 分）内で実行可能な速度を達成しました。

3.2 実験的検証（ショット #81882 と #83575）

KEP を実際にショット準備に組み込み、実験結果を比較しました。

• 標準 H モード（LSN 配置, #81882）:
  • 従来の FBT 設定（低 $\beta_{pol}$、高 $q_A$）と、KEP による補正後の設定（RAPTOR からのプロファイル反映）を比較。
  • KEP を用いた場合、X 点のターゲット位置との整合性が向上し、垂直安定性が改善されました。
  • 内部インダクタンス ($l_i$) の推定において、磁気測定のみ（MER）では誤った傾向を示す場合でも、運動学的平衡再構成（KER）や KEP は、エッジのボトムアップ電流の出現に伴う $l_i$ の減少という物理的に妥当な挙動を捉えました。
• 負の三角度 L モード（雪片型 Divertor, #83575）:
  • 垂直制御が困難とされる NT 配置において、KEP を用いることで X 点の位置制御が大幅に改善されました。
  • 従来の準備方法に比べ、放電終了まで形状を安定して維持でき、垂直不安定のリスクを低減しました。

3.3 コイル電流への影響

KEP による補正は、PF コイル電流に数十アンペアから数百アンペアの修正をもたらしました。特に、熱エネルギーが変化する放電中盤において、この補正が形状制御の精度向上に寄与することが示されました。

4. 意義と将来展望

• 物理ベースの予測の実現: 経験則に依存せず、物理モデルに基づいて内部プロファイルと平衡を自己整合的に予測する手法を確立しました。これにより、トカマク運転者に対して、より現実的な $l_i$ や $\beta_N$ の推定値を提供できます。
• 複雑な形状制御の支援: 負の三角度や雪片型 Divertor など、制御が困難な先進的な形状においても、KEP を用いることで安定した運転が可能になることを実証しました。
• 将来の発展:
  • 密度予測モデルのさらなる高度化（ガス流量からの推定精度向上）。
  • 加熱・電流駆動モデル（NBI, ECRH など）との緊密な結合。
  • 放射損失や不純物輸送のモデル化による H モード遷移閾値予測の精度向上。
  • ITER や SPARC などの次世代装置への適用可能性。

結論

本論文は、RAPTOR と FBT の結合による「運動学的平衡予測（KEP）」が、TCV において実用的かつ高精度なショット準備ツールとして機能することを示しました。この手法は、コイル電流の最適化を通じてプラズマ形状の安定性を高め、特に制御が困難な先進的シナリオの実現に寄与する重要なステップです。今後は、予測精度のさらなる向上と、より複雑な物理現象のモデル化を通じて、次世代トカマク実験の計画支援ツールとしての確立を目指します。