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

기술 요약: 스텔라레이터 알파 입자 가둠의 베이지안 최적화

문제 정의
현대적인 스텔라레이터 설계는 일반적으로 푸리에 진폭(Fourier amplitudes)으로 매개변수화된 플라즈마 경계 형상 최림에 의존한다. 이러한 전통적인 매개변수 공간은 전역 최적화 알고리즘, 특히 베이지안 최적화(BO)에 상당한 어려움을 준다. 첫째, 푸리에 모드의 규모는 극명하게 다르기 때문에(고차 모드는 저차 모드보다 진폭이 훨씬 작음), 입력 차원의 규모가 효율적인 최적화를 위해 유사해야 한다는 가정을 위반한다. 둘째, 많은 전역 알고리즘은 경계 제약 조건(box constraints)을 요구하지만, 푸리에 진폭에 대한 이러한 경계를 설정하는 것은 쉽지 않다. 제약 범위가 너무 넓으면 자기유체역학(MHD) 평형 계산이 실패하는 자기 교차 및 비물리적 경계가 발생할 수 있으며, 반대로 제약이 너무 엄격하면 기하학적 표현력이 제한되어 최적의 형상을 배제할 위험이 있다. 또한, 고차원 푸리에 공간에서는 에너지 입자 가둠을 위한 직접적인 가이딩 센터 추적(guiding-center tracing)과 같은 고충실도 물리 계산을 최적화 루프 내에 포함하는 것이 계산적으로 불가능할 정도로 비용이 많이 든다.

방법론
저자들은 규모(scaling), 경계 제약, 차원 문제를 해결하기 위해 설계된 두 가지 새로운 "데이터 기반(data-informed)" 매개변수 공간을 제안한다. 두 방법 모두 기존 스텔라레이터 경계(W7-X 및 LHD와 같은 실험적 구성 및 QUASR, ConStellaration 데이터베이스에서 추출)의 데이터셋을 활용하여 경계 형상에 대한 사전 확률 분포를 정의한다.

1. 분위수 변환 푸리에 공간 (Quantile-Transformed Fourier Space):

   • 각 푸리에 진폭에 대해 분위수 변환(quantile transformation)이 적용된다.
   • 이는 각 매개변수의 경험적 누적 분포 함수(CDF)를 $[0, 1]$ 사이의 균등 분포로 매핑한다.
   • 변환된 변수들은 새로운 자유도가 된다. 이 접근 방식은 자연스럽게 매개변수를 $[0, 1]$로 제한하며, 차원 간의 비교 가능한 규모를 보장하고, 이상치(outlier)에 강건하다. 이 변환은 조각별 선형(piecewise-linear) 방식으로, 필요 시 경사 하강법 기반 방법과의 호환성을 유지한다.

2. PCA 기반 매개변수 공간 (PCA-Based Parameter Space):

   • 경계 데이터(그리드 상의 $(R, Z)$ 좌표로 표현됨)에 주성분 분석(PCA)을 먼저 적용한다.
   • 그 후 주성분의 진폭에 분위수 변환을 적용한다.
   • 이 방법은 차원 축소를 제공하며, 적은 수의 매개변수로 복잡한 경계 형상의 분산을 포착하는 동시에 자연스러운 경계를 유지한다.

두 방법 모두 특정 구성 클래스(예: 준대칭 설계)가 훈련 데이터에서 과하게 표현되는 것을 방정하기 위해 가중 샘플링을 허용한다. 저자들은 주요 반경(major radius), 부 반경(minor radius), 단면비(aspect ratio)를 매개변수 공간 정의와 독립적으로 고정하는 절차도 상세히 기술하였다.

최적화 적용
새로운 매개변수 공간은 알파 입자 손실을 최소화하기 위한 베이지안 최적화를 통해 입증되었다.

• 목적 함수: 알파 입자 손실이 임계값($M=2\%$)에 도달하는 데 걸리는 시간을 기준으로 하는 새로운 목적 함수가 정의된다. 만약 손실이 조기에 임계값을 초과하면, 도달할 때까지의 시간에 따라 페널티를 부여한다. 그렇지 않으면 고정된 시간($t_{max}=0.1$ s) 동안의 총 손실을 기준으로 한다. 이는 계산 자원을 절약하기 위해 성능이 낮은 구성의 추적을 조기에 종료하는 다중 충실도(multi-fidelity) 방법으로 작용한다.
• 알고리즘: Ax 및 TURPO 라이브러리를 사용하여 비동기 병렬 베이지안 최적화를 채택하였다. 워크플로에는 여러 GPU(CATAPULT 코드 활용)를 사용하여 가이딩 센터 궤적을 병렬로 추적하는 과정이 포함되며, 관리 프로세스는 결과가 반환됨에 따라 가우시안 프로세스 대리 모델(Gaussian process surrogate model)을 업데이트한다.
• 물리 모델: MHD 평형은 vmec++를 사용하여 계산된다. 3.5 MeV 알파 입자의 가이딩 센터 궤적은 부저(Boozer) 좌표계에서 충돌 없이 추적된다. 장치 규모는 12 T의 최대 자기장을 기준으로 고정되며, 압력 프로파일은 고자기장 스텔라레이터 원자로의 특성을 따른다.

주요 결과
저자들은 이 방법들을 사용하여 생성된 다섯 가지 최적화된 스텔라레이터 구성(구성 1–5)을 제시한다:

• 가둠 성능: 다섯 가지 구성 모두 우수한 알파 입자 가둠 성능을 보인다. 구성 1–3(무제약)은 에너지 손실이 $0.06\%$ 미만이다. 머시에(Mercier) 안정성 제약이 포함된 구성 4–5는 손실이 $\le 1\%$이다.
• 베이스라인과의 비교: 동일한 스케일링 및 초기화 조건 하에서 기존 구성들(준-아이소다이나믹(quasi-isodynamic) 최적화된 ConStellaration 설계 및 W7-X 변형 모델 포함)과 비교했을 때, 새로운 구성들은 현저히 낮은 손실(종종 한 자릿수 차이로 더 나음)을 보여준다.
• 자기장 토폴로지: 최적화된 자기장은 이상적인 준대칭(QS), 옴니제너스(omnigenous), 또는 준-아이소다이나믹(QI) 패턴에서 크게 벗어나 있다. 예를 들어, 대부분의 구성에서 $B_{max}$ 근처의 자기장 등고선은 폴로이달(poloidal), 토로이달(toroidal), 또는 헬리컬(helical) 방향으로 닫히지 않아 옴니제니티(omnigenity)를 위반한다. 구성 3은 조각적 옴니제너스(piecewise-omnigenous) 필드와 유사한 하이브리드 구조를 보인다.
• 뉴클래식 수송: 엄격한 대칭성이 없음에도 불구하고, 최적화된 구성들은 코어 영역에서 W7-X와 비슷하거나 오히려 더 나은 수준의 낮은 유효 리플(effective ripple, $\epsilon_{eff} < 1\%$)을 나타낸다. 이는 빠른 이온 가둠을 최적화하는 것이 본질적으로 뉴클래식 열 수송을 개선함을 시사한다.
• 매개 변수 공간의 효능: 데이터 기반 공간은 베이스라인 푸리에 공간에 비해 "사용 가능한 비율"($f_{us}$, MHD 평형이 수렴하는 매개 변수 공간의 비율)을 크게 향상시킨다. PCA 방법은 풍부하고 다양한 형태의 경계가 적은 수의 차원(예: 20–25개의 주성분)으로 표현될 수 있음을 추가로 입증한다.

의의 및 주장
본 논문은 제안된 데이터 기반 매개 변수 공간이 전역 최적화를 위한 표현력과 설계 공간의 사용 가능성 사이의 절충안을 효과적으로 해결한다고 주장한다. 분위수 변환을 통해 데이터를 단위 하이퍼큐브로 매핑함으로써, 이 방법들은 베이지안 최적화와 같은 미분 불필요 알고리즘의 사용을 용이하게 하는 자연스러운 경계와 스케일을 제공한다.

이 연구의 주요 과학적 기여는 준대칭(QS) 또는 준-아이소다이나믹(QI) 조건에서 멀리 떨어진 스텔라레이터 구성에서도 우수한 알파 입자 가둠을 달할 수 있음을 입증한 것이다. 이는 엄격한 QS 또는 QI 조건을 준수하는 것이 좋은 가둠을 위해 필수적이라는 기존의 관점에 도전하며, 이러한 조건들이 지나치게 제약적일 수 있음을 시사한다. 이 연구는 차원 축소, 강건한 매개변수화, 그리고 비동기 병렬 컴퓨팅을 결합함으로써 고충실도, 비매끄러운(non-smooth) 물리 목적 함수(예: 몬테카를로 가이딩 센터 추적)를 직접 최적화할 수 있는 프레임워크를 제공한다.