Cycle-Consistent and Uncertainty-Aware Neural Surrogates for Tokamak Edge Plasmas

Technische Samenvatting: Cyclus-consistente en Onzekerheidsbewuste Neurale Surrogaten voor Tokamak-randplasma's

Probleemstelling
Nauwkeurige voorspelling van rand- en divertorplasma-parameters (warmtefluxen, temperaturen, dichtheden en de onset van detachment) is cruciaal voor de veilige exploitatie van huidige en toekomstige tokamaks. Echter, hoogwaardige simulaties van randplasma met de SOLPS-ITER-code zijn computationeel te kostbaar voor taken die uitgebreide parameterscans, optimalisatie of real-time controle vereisen. Elke SOLPS-ITER-run lost een stijf, niet-lineair fixpuntprobleem op dat enkele uren kan duren, een hoge gevoeligheid vertoont voor initialisatie en kampt met aanzienlijke faalratio's (divergentie of niet-convergentie) bij het scannen van brede parametersets of het betreden van gedetacheerde regimes. Hoewel datagestuurde surrogaten zijn opgekomst om deze taken te versnellen, missen bestaande modellen vaak fysieke consistentie tussen voorwaartse en omgekeerde mapping en bieden ze geen ingebouwd mechanisme om de betrouwbaarheid van voorspellingen te beoordelen, met name in ondergesamplede regimes of regimes met steile gradiënten waar fouten het meest waarschijnlijk zijn.

Methodologie
De auteurs stellen een framework voor bestaande uit twee complementaire neurale surrogaten en een robuuste database-generatiestrategie:

1. Database Generatie (k-d Tree Warm-Start): Om de hoge faalratio van SOLPS-ITER aan te pakken, gebruiken de auteurs een vertakkende k-d tree strategie. In plaats van simulaties te "cold-starten" vanuit generieke initiële condities, wordt elke nieuwe simulatie "warm-gestart" vanuit het dichtstbijzijnde eerder geconvergeerde ontwerppunt in de parameterruimte. Deze aanpak propageert betrouwbare initiële condities naar buiten vanuit een enkele seed, waardoor de voltooiingsgraad van de database stijgt van ~70% (in cold-gestarte ensembles) naar meer dan 95%. De uiteindelijke dataset bestaat uit 760 geconvergeerde runs van een deuteriumplasma in een DIII-D lower-single-null configuratie, gesampled via Latin hypercube sampling over vijf controleparameters: totale vermogen ($P_{tot}$), kernbrandstofstroom ($\Gamma_{core}$), deuterium puff rate ($\Gamma_{D2}$), cross-field deeltjesdiffusiviteit ($D_{\perp}$) en ionische warmtediffusiviteit ($\chi_i$).

2. Cyclus-consistente 2D Voorwaartse/Omgekeerde Surrogaat:

   • Voorwaarts Model: Een conditionele U-Net ($F_\theta$) brengt de vijf scalaire controleparameters en een ruimtelijke binaire maske in verband met vier 2D plasma-toestandvelden: elektronentemperatuur ($T_e$), ionentemperatuur ($T_i$), elektrondichtheid ($n_e$) en parallelle ionische snelheid ($u_a$). De controleparameters worden geïnjecteerd via Feature-wise Linear Modulation (FiLM). Het netwerk is getraind op log-getransformeerde variabelen om brede dynamische bereiken aan te kunnen.
   • Omgekeerd Model: In plaats van een apart omgekeerd netwerk te trainen, gebruiken de auteurs een optimalisatie-gebaseerde aanpak. Gegeven een doelveld, worden de controleparameters hersteld door de discrepantie tussen het doel en de output van het bevroren voorwaartse model te minimaliseren via gradiëntafdaling.
   • Cyclus-consistentie: Een cyclus-consistentie beperking koppelt de voorwaartse en omgekeerde processen. Herstelde parameters worden opnieuw door het voorwaartse model gevoerd; het resulterende gereconstrueerde veld moet overeenkomen met het oorspronkelijke doel. Dit biedt een zelf-gesuperviseerde kwaliteitsmetriek tijdens inferentie die geen ground-truth labels vereist.
   • Training Regularisatie: Tijdens de training wordt een geleerde pseudo-inverse ($G_\psi$) gezamenlijk met het voorwaartse model getraind onder een samengestelde loss die ook een cyclus-consistentie term bevat. Dit vormt de voorwaartse surrogaat om wederzijdse consistentie tussen de voorwaartse en omgekeerde mapping te waarborgen.

3. Onzekerheidsbewust 1D Profiel Ensemble:

   • Een apart "query-by-committee" ensemble van multilayer perceptrons (MLP's) voorspelt 1D profielen van $T_e$ en $n_e$ op de buitenste midplane en divertor targets.
   • De variantie van het ensemble dient als proxy voor voorspellende onzekerheid. Punten waar de onenigheid tussen de commissie een drempelwaarde overschrijdt, worden gemarkeerd als regio's met een hoge onzekerheid, wat actieve leerstrategieën stuurt om prioriteit te geven aan nieuwe, informatieve SOLPS-ITER simulaties.

Belangrijkste Resultaten

• Voorwaartse Accuraatheid: De 2D U-Net bereikt genormaliseerde wortel-gemiddelde kwadratische fouten (NRMSE) onder de 2,6% en Pearson-correlaties boven de 0,95 voor alle vier de plasma-toestandsvelden op gehouden testgevallen. Het model legt steile gradiënten vast nabij de separatrix en de divertor targets.
• Winst door Cyclus-consistentie: Het toevoegen van cyclus-consistentie regularisatie ($\lambda_{cyc} = 0,5$) verhoogt de gemiddelde cyclische $R^2$ van 0,59 (voorwaartse-alleen baseline) naar 0,99 zonder de voorwaartse voorspellingsnauwkeurigheid te verslechteren. Cruciaal is dat deze regularisatie het herstel van de kernbrandstofstroom ($\Gamma_{core}$) mogelijk maakt, die door de voorwaartse-alleen paren slecht werd hersteld.
• Omgekeerd Parameterherstel: De optimalisatie-gebaseerde omgekeerde methode herstelt alle vijf de controleparameters met Pearson-correlaties $r \ge 0,97$. De methode identificeert parameters succesvol zelfs in regimes waar de voorwaartse mapping lokaal ongevoelig is, mits de cyclus-consistentie behouden blijft.
• Database Robuustheid: De k-d tree warm-start strategie bereikte een voltooiingspercentage van >95% voor de 760-run database, een significante verbetering ten opzichte van de ~30% faalratio waargenomen in vergelijkbare cold-gestarte ensembles.
• Inferentie Snelheid: Het model (ongeveer 4,3 miljoen parameters) genereert volledige 2D voorspellingen in milliseconden (sub-milliseconde op GPU), wat een versnelling van vijf tot zes ordes van grootte betekent ten opzichte van de originele SOLPS-ITER runs.
• Onzekerheidskwantificering: Het 1D ensemble reproduceert profielen accuraat ($R^2 > 0,89$) en identificeert correct regio's met een hoge onzekerheid. Het binnenste divertor target, dat zowel gehechte als gedetacheerde staten beslaat, vertoonde de hoogste onzekerheid (~13% van de punten gemarkeerd), wat overeenkomt met bekende fysieke uitdagingen.

Betekenis en Claims
Het artikel beweert dat dit framework een praktische oplossing biedt voor real-time plasma controle, snelle scenario-optimalisatie en digital-twin toepassingen door trage, breekbare fysica-solvers te vervangen door snelle, betrouwbare neurale surrogaten. De belangrijkste bijdragen zijn:

• Zelf-gesuperviseerde Betrouwbaarheid: Het cyclus-consistentie mechanisme biedt een ingebouwde kwaliteitscontrole voor omgekeerde voorspellingen zonder dat ground-truth labels nodig zijn tijdens inferentie, wat een belangrijke beperking van standaard surrogaatmodellen aanpakt.
• Robuuste Data Generatie: De k-d tree warm-start strategie wordt gepresenteerd als een essentiële infrastructuur voor het bouwen van grote, uniform gesamplede trainingssets voor stijve niet-lineaire systemen, wat de convergentiefouten die de edge-plasma databases typisch beperken, direct mitigeert.
• Integratie van Actief Leren: Het onzekerheidsbewuste ensemble biedt een mechanisme om "blinde vlekken" in de parameterruimte (specifiek het binnenste divertor detachment regime) te identificeren, waarbij de meest informatieve nieuwe simulaties worden genomineerd om het model iteratief te verbeteren.
• Geautomatiseerde Transport Inferentie: De differentieerbare omgekeerde procedure biedt een route om transportcoëfficiënten ($D_{\perp}, \chi_i$) en kernbrandstofstromen af te leiden van diagnostische metingen, wat potentieel handmatige, iteratieve fitting workflows kan vervangen.

De auteurs hanteren een bescheiden toon met betrekking tot beperkingen, waarbij zij opmerken dat het huidige model beperkt is tot een enkele DIII-D configuratie met enkel deuterium-brandstof en uniforme transportcoëfficiënten. Zij stellen dat validatie tegen experimentele data en uitbreiding naar andere machines en ruimtelijk variërende transportcoëfficiënten noodzakelijke toekomstige stappen zijn.