Deep-Learning based surrogate models for plasma exhaust simulations -- SOLPS-NN

Dit artikel introduceert SOLPS-NN, een op deep learning gebaseerd surrogaatmodel dat, getraind op duizenden SOLPS-ITER-simulaties, snelle en nauwkeurige voorspellingen mogelijk maakt voor de scrape-off layer van tokamakfusiereactoren, waarbij wordt aangetoond dat eenvoudige fully connected neurale netwerken effectief zijn en dat het gebruik van datasets met hogere fideliteit de voorspellingnauwkeurigheid verder verbetert.

De kern

Samenvatting: Een "Wiskundige Voorspeller" voor de Kernfusie

Stel je voor dat je een gigantische, superhete oven wilt bouwen die energie levert aan de hele wereld: een kernfusiereactor. Het probleem is dat de hitte in zo'n oven niet alleen in het midden zit, maar ook langs de randen "lekt". Deze randen zijn extreem heet en kunnen de wanden van de oven smelten. Om dit te voorkomen, moet je de hitte op een heel specifieke manier afvoeren, net als het afvoeren van rook uit een haard.

In de wetenschap noemen ze deze randzone de Scrape-Off Layer (SOL). Om te begrijpen hoe dit werkt, gebruiken wetenschappers supercomputers om complexe simulaties te draaien (zoals de software SOLPS-ITER). Maar hier zit een addertje onder het gras: deze simulaties zijn zo zwaar en ingewikkeld dat het uren, soms dagen duurt om er één uit te rekenen. Dat is veel te lang als je snel wilt testen of een nieuw ontwerp wel veilig is.

De Oplossing: SOLPS-NN (De Slimme Voorspeller)
De auteurs van dit paper hebben een oplossing bedacht: een surrogaatmodel genaamd SOLPS-NN.

• De Analogie: Stel je voor dat je een chef-kok bent die duizenden keren een complex gerecht heeft gekookt (de simulaties). Je hebt alle ingrediënten en de temperatuur in de oven genoteerd. In plaats van elke keer het gerecht opnieuw te koken (de simulatie draaien), heb je een AI-assistent getraind op al die oude recepten.
• Hoe het werkt: Deze AI (een Deep Learning-neuraal netwerk) heeft geleerd: "Als je X gram gas toevoegt en Y watt vermogen gebruikt, dan wordt de temperatuur op die plek Z graden."
• Het resultaat: In plaats van uren te wachten, geeft de AI het antwoord in een fractie van een seconde. Het is alsof je van een langzame, nauwkeurige handmatige berekening overschakelt naar een snelle, slimme schatting die bijna even goed is.

Wat hebben ze ontdekt?

1. De beste architectuur: Ze hebben geprobeerd verschillende soorten AI-modellen. Het bleek dat een simpele, maar krachtige "volledig verbonden" neurale netwerk (een soort digitale hersenen met veel lagen) het beste werkt. Het kan de hele ovenruimte in één keer voorspellen, niet alleen één punt.
2. Eén model per eigenschap: Het is beter om aparte modellen te maken voor temperatuur, dichtheid en gasdruk, dan één enorm model dat alles tegelijk moet doen. Het is alsof je een team van specialisten hebt (één voor de temperatuur, één voor de druk) in plaats van één "alles-kunner" die het allemaal een beetje goed doet, maar niet perfect.
3. De valkuil van de hitte: De AI is goed in het voorspellen van de temperatuur, maar als je daaruit de warmtestroom (hoeveel hitte er op de wanden komt) wilt berekenen, kan het misgaan. Omdat de AI kleine foutjes maakt in de temperatuur, worden de berekeningen voor de hitte die eruit stroomt soms erg onnauwkeurig.
   • De oplossing: Ze hebben een slimme truc bedacht. Ze laten de AI een ruwe schets maken, en laten de simpele fysica-wetmatigheden van de computer die schets nog even "opfrissen" voordat het eindresultaat komt. Dit maakt de voorspelling veel betrouwbaarder.
4. Van JET naar ITER: Ze hebben het model getraind op data van de huidige reactor (JET). Vervolgens hebben ze getest of het ook werkt voor de toekomstige, grotere reactor (ITER).
   • De uitdaging: Het model was getraind op een "kleine" versie van de realiteit. Als je het direct op de grote reactor toepast, klopt het niet helemaal (net als een auto die je hebt getest op een fietspad, maar nu op een snelweg rijdt).
   • De oplossing: Ze hebben het model een beetje "bijgeschoold" (transfer learning) met een paar nieuwe data-punten van ITER. Dit werkt goed, maar het blijkt dat je eigenlijk net zo goed een nieuw model kunt bouwen vanaf nul als je maar genoeg goede data hebt. Het "bijleren" van het oude model bespaart hier niet echt tijd.

Waarom is dit belangrijk?

Dit onderzoek is een grote stap voorwaarts voor de toekomst van schone energie.

• Snelheid: Ontwerpers kunnen nu duizenden scenario's in minuten testen in plaats van maanden.
• Veiligheid: Ze kunnen sneller zien of een ontwerp de wanden van de reactor zal laten smelten.
• Flexibiliteit: Het model werkt voor verschillende reactors (JET, ASDEX Upgrade, en zelfs ITER), wat betekent dat we een universeel hulpmiddel hebben om de weg te banen naar een reactor die voor altijd energie levert.

Kortom:
De wetenschappers hebben een "slimme voorspeller" gebouwd die de zware rekenkracht van supercomputers vervangt door een snelle AI. Het is niet perfect (het is een schatting, geen exacte meting), maar het is snel, betrouwbaar genoeg voor eerste ontwerpen, en het opent de deur naar het sneller bouwen van schone energiecentrales.

Technische samenvatting

Titel: Deep-Learning gebaseerde surrogate modellen voor plasma-uitlaat simulaties - SOLPS-NN

Auteurs: S. Dasbach, S. Brezinsek, Y. Liang, D. Reiser, S. Wiesen
Datum: Februari 2026 (voorgesteld)

---

1. Probleemstelling

Voor het ontwerp en de operatie van tokamak fusiereactoren (zoals ITER en DEMO) zijn accurate modellen van de Scrape-Off Layer (SOL) essentieel. De SOL is het gebied waar warmte en deeltjes uit het plasma worden afgevoerd naar de divertor.

• Huidige uitdagingen: De standaard simulatiecode SOLPS-ITER bevat geavanceerde fysica-modellen, maar is zeer rekenintensief, moeilijk te bedienen en lijdt vaak onder numerieke instabiliteiten.
• Consequenties: Dit vertraagt ontwerpstudies, maakt automatische optimalisatie onmogelijk en bemoeilijkt de koppeling met andere simulaties (zoals voor het pedestal of plasma-wand interactie).
• Doel: Er is behoefte aan snelle, gebruiksvriendelijke voorspellingsmodellen (surrogates) die op machine learning (ML) zijn gebaseerd en getraind zijn op simulatiedata, om deze computertijd te reduceren zonder in te leveren op nauwkeurigheid.

2. Methodologie

Dataset en Simulaties

• Trainingdata: Een grote dataset van 8.192 SOLPS-ITER simulaties (plus 2048 voor testen) is gegenereerd.
• Vereenvoudiging: Om de dataset groot genoeg te maken, is gebruik gemaakt van een fluïdum-beschrijving voor neutraal gas (in plaats van een duurdere kinetische beschrijving) en minder strikte convergentiecriteria.
• Variatie: Acht parameters werden gevarieerd (o.a. deuterium en stikstof injectie, cross-field transport, input power) over een bereik dat verschillende machines omvat (ASDEX-Upgrade, JET, ITER, DEMO).
• Fysieke Regimes: De data omvat verschillende regimes: sheath-limited, attached, detached en cold core, gebaseerd op temperatuurverhoudingen tussen de buitenste midplane en de divertor-doelwit.

Model Architecturen

Diverse ML-architecturen werden getest om de elektronentemperatuur ($T_e$) en andere grootheden te voorspellen:

1. NN2D: Een volledig verbonden neurale netwerk (Fully Connected NN) dat de 8 input-parameters neemt en direct de $T_e$ over het hele 2D-rekenrooster (104x50 cellen) voorspelt.
2. NNpos2D: Een NN die per roostercel een voorspelling doet, waarbij de ruimtelijke coördinaten (R, Z) als input worden meegenomen (vergelijkbaar met Physics Informed Neural Networks).
3. XGBoost2D: Gradient boosted regression trees met een vergelijkbare positiestrategie.
4. Multi-observable strategieën: Vergelijking tussen één groot model dat alle grootheden ($T_e, n_e, n_D, n_N$) tegelijk voorspelt versus onafhankelijke modellen per grootheid.

SOLPS in de Loop (Iteratie)

Om fouten in afgeleide grootheden (zoals warmteflux) te corrigeren, werd een workflow ontwikkeld waarbij de ML-voorspellingen als startwaarde in SOLPS-ITER worden geladen en de simulatie enkele stappen (bijv. 1000 stappen) wordt doorgerekend om de fysica te laten "rusten".

Transfer Learning (ITER-data)

Een subset van 62 hoge-fideliteit ITER-simulaties (met kinetische neutrals en ITER-geometrie) werd gebruikt om te testen of een model getraind op lage-fideliteit data kan worden aangepast (fine-tuning) aan deze hogere kwaliteit data, of dat een model van scratch beter is.

3. Belangrijkste Resultaten

Architectuur en Nauwkeurigheid

• Beste Architectuur: NN2D (volledig verbonden NN met output gelijk aan het rekenrooster) presteerde het beste. Het kan het volledige 2D-domein in één keer voorspellen met vergelijkbare nauwkeurigheid als modellen die zich alleen richten op het divertor-doelwit.
• Vergelijking: XGBoost presteerde aanzienlijk slechter. De NNpos2D-architectuur was minder nauwkeurig, waarschijnlijk door suboptimale hyperparameters (door hogere trainingstijden).
• Meerdere Grootheden: Het trainen van onafhankelijke modellen voor elke observabele (bijv. één model voor $T_e$, één voor $n_e$) bleek net zo nauwkeurig als één groot model dat alles tegelijk voorspelt, maar biedt meer flexibiliteit voor uitbreiding.
• Fouten: De mediane fouten voor $T_e$ op het doelwit liggen rond de 0,86 eV (attached) en 0,18 eV (detached). Dit is zeer goed, gezien de simulaties zelf vaak grotere afwijkingen hebben ten opzichte van experimenten.

Afgeleide Grootheden en Warmteflux

• Directe voorspelling van warmteflux ($q_{peak}$) via afgeleiden van de ML-temperatuur leidt tot grote fouten in regimes met hoge temperaturen en kleine gradiënten (sheath-limited), omdat de ML-fouten de fysieke gradiënten overschaduwen.
• Oplossing: Het gebruik van SOLPS-ITER om de ML-voorspellingen te itereren (bijv. 1000 stappen) corrigeert deze gradiënten en verbetert de voorspelling van warmteflux aanzienlijk, zelfs beter dan directe ML-voorspelling.

Validatie en Detachement

• Het model slaagt erin om experimentele schalingen voor detachement (de overgang naar een koudere, minder belastende divertor) te reproduceren voor JET en ASDEX-Upgrade.
• Het voorspelt correct dat hogere plasma-dichtheden nodig zijn bij lagere onzuiverheidsconcentraties om detachement te bereiken.
• Beperkingen: De ruimtelijke patronen van afkoeling (waar detachement begint) wijken af van experimenten door de vereenvoudigde fluïdum-neutraal behandeling. Bij zeer hoge dichtheden (cold core) vertoont het model onrealistisch gedrag.

Transfer Learning naar ITER

• Een model getraind op lage-fideliteit data (fluïdum neutrals) vertoont al vergelijkbare trends als hoge-fideliteit ITER-data, maar voorspelt temperaturen die te hoog zijn.
• Fine-tuning: Transfer learning (fijnen van de laatste laag op ITER-data) werkt, maar biedt geen significant voordeel in nauwkeurigheid of benodigde datasetgrootte ten opzichte van het trainen van een nieuw model van scratch op de kleine ITER-dataset.
• De hoge-fideliteit ITER-dataset is voor het model "eenvoudiger" te leren (kleinere parameter ruimte), waardoor zelfs kleine datasets (5-62 simulaties) voldoende zijn voor goede resultaten.

4. Bijdragen en Betekenis

• SOLPS-NN: De ontwikkeling van een robuust, deep-learning gebaseerd surrogate model dat het volledige SOL-domein kan voorspellen.
• Efficiëntie: Het model biedt een snelheidswinst van factor 100 tot 1000 ten opzichte van het uitvoeren van een volledige SOLPS-ITER simulatie, zelfs met de iteratie-correctie.
• Toepasbaarheid: De modellen zijn geschikt voor snelle "scoping studies" van operationele vensters voor toekomstige reactoren (ITER, DEMO, SPARC), inclusief het schatten van onzuiverheidsconcentraties voor detachement.
• Strategische Inzicht: Het onderzoek toont aan dat het trainen van gescheiden modellen per grootheid de beste balans biedt tussen nauwkeurigheid en flexibiliteit.
• Toekomstperspectief: Hoewel de huidige modellen al bruikbaar zijn voor eerste beoordelingen, ligt de sleutel tot state-of-the-art nauwkeurigheid in het verminderen van het aantal benodigde trainingssimulaties (via active learning) en het gebruik van gemengde fideliteit datasets.

Conclusie:
De SOLPS-NN surrogate modellen bieden een krachtig alternatief voor dure simulaties. Ze reproduceren de belangrijkste fysieke trends en detachement-condities met hoge snelheid, waardoor ze een waardevol hulpmiddel zijn voor het ontwerpen en optimaliseren van de uitlaat van toekomstige fusiereactoren, mits de beperkingen van de onderliggende vereenvoudigde fysica in acht worden genomen.