Spectrally accurate, reverse-mode differentiable bounce-averaging algorithm and its applications

Resumo Técnico: Algoritmo de Média de Bounce Espectralmente Preciso e de Modo Reverso Diferenciável e Suas Aplicações

Enunciado do Problema
O projeto de stellarators envolve um problema de otimização complexo com centenas de graus de liberdade, visando minimizar o transporte neoclássico e melhorar o confinamento. As abordagens de otimização tradicionais dependem de técnicas de diferença finita para estimar gradientes. Esses métodos sofrem de precisão de ordem baixa e tornam-se computacionalmente inviáveis quando o número de parâmetros otimizáveis é grande, pois exigem múltiplas avaliações da função objetivo por parâmetro. Além disso, os algoritmos de média de bounce (bounce-averaging) existentes, usados para simplificar modelos cinéticos (como as equações de drift-cinética), são tipicamente incompatíveis com diferenciação automática (AD) e utilizam discretização de ordem inferior, limitando sua precisão e utilidade em otimizações baseadas em gradiente.

Metodologia
Os autores apresentam um algoritmo de média de bounce rápido, espectralmente (exponencialmente) preciso e automaticamente diferenciável, implementado dentro da suíte de otimização de stellarators DESC (Direct Stellarator Optimization Code). A metodologia aborda vários desafios computacionais:

1. Quadratura Espectral para Integrais de Bounce: O núcleo do algoritmo computa quantidades médias de bounce integrando ao longo das trajetórias das partículas entre os pontos de bounce. Para lidar com as singularidades decorrentes do desaparecimento da velocidade paralela $|v_\parallel|$ nos pontos de bounce, os autores empregam uma transformação de coordenadas combinada com quadratura gaussiana. Especificamente, eles utilizam quadraturas de Gauss-Chebyshev (GC) e Gauss-Legendre (GL) compostas com uma transformação de seno. Esta abordagem alcança convergência espectral, superando significativamente os esquemas padrão de ponto médio, Simpson ou de dupla exponencial, particularmente próximo às singularidades do integrando.
2. MHD Inversa e Interpolação Espectral: O algoritmo utiliza um método inverso para resolver as equidades de equilíbrio de força de Magnetohidrodinâmica (MHD) ideal. A fronteira do plasma e os campos internos são parametrizados usando séries de Fourier-Zernike em coordenadas de fluxo. Para evitar o gargalo computacional de interpolação de "grade móvel" durante a otimização, os autores pré-computam projeções espectrais do mapeamento de linha de campo. Eles empregam transformadas rápidas de Fourier (FFT) e FFTs não uniformes para avaliar mapas ao longo das linhas de campo de forma eficiente.
3. Diferenciação de Modo Reverso: Um componente crítico é a diferenciação direta da solução iterativa para as coordenadas da linha de campo (resolvendo $\theta + \Lambda - \iota(\zeta + \omega) = \alpha$) em relação aos parâmetros de otimização. Usando o teorema da função implícita, os autores derivam os métodos tangente e adjunto diretamente. Isso permite que o custo computacional da diferenciação permaneça independente do número de parâmetros controláveis, uma vantagem fundamental sobre os métodos de diferença finita.
4. Função Objetivo: A principal aplicação demonstrada é a minimização do ripple efetivo $\epsilon_{eff}$, uma métrica adimensional proporcional ao coeficiente de transporte neoclássico no regime de baixa colisionalidade ($1/\nu$). A função objetivo inclui termos para razão de aspecto, curvatura, elongação, omnigeneidade e ripple, sujeitos a restrições de equilíbrio de força MHD ideal.

Principais Contribuições

• Média de Bounce Diferenciável: O artigo introduz a primeira implementação de um algoritmo de média de bounce que é totalmente compatível com a diferenciação automática de modo reverso. Isso permite a otimização eficiente de objetivos baseados em cinética onde o custo do gradiente é comparável a uma única avaliação da função, independentemente da contagem de parâmetros.
• Precisão Espectral: Ao empregar regras de quadratura especializadas e transformações de coordenadas, o algoritmo alcança precisão exponencial, garantindo que os gradientes de otimização reflitam melhorias físicas genuínas em vez de ruído numérico.
• Otimização de Beta-Finito: O trabalho demonstra a otimização de uma configuração de stellarator de beta-finito especificamente para reduzir o transporte de ripple neoclássico.
• Integração no DESC: O algoritmo é integrado à suíte DESC, permitindo a otimização simultânea de múltiplos objetivos baseados em física (por exemplo, equilíbrio de força, restrições geométricas e métricas de transporte) sem a necessidade de resolver novamente o equilíbrio MHD a cada passo.

Resultados
Os autores aplicaram o algoritmo para otimizar um equilíbrio helicamente omnígeno (OH). Partindo de uma configuração inicial, a otimização reduziu significativamente o ripple efetivo $\epsilon_{eff}$. O processo, que envolveu a minimização de uma soma ponderada de objetivos incluindo a métrica de ripple, foi concluído em menos de duas horas usando uma única GPU. Os resultados mostram:

• Uma redução na magnitude dos drifts radiais médios de bounce.
• Uma estrutura de campo magnético mais suave no equilíbrio otimizado em comparação com o estado inicial.
• Manutenção bem-sucedida do equilíbrio de força e das restrições geométricas (elongação, curvatura) durante toda a otimização.
• A configuração otimizada exibe redução no transporte neoclássico, particularmente no regime de baixa colisionalidade, onde as perdas de partículas presas são dominantes.

Significância e Alegações
O artigo afirma que este trabalho possibilita a "otimização rápida para melhorar o desempenho do stellarator com precisão exponencial". Ao remover a barreira computacional associada à diferenciação de modelos cinéticos, os autores afirmam que agora é viável otimizar diretamente configurações de stellarator para redução de transporte neoclássico usando diferenciação de modo reverso. Isso é destacado como uma capacidade inédita, notando especificamente a primeira otimização de um stellarator de beta-finito para reduzir diretamente o transporte de ripple neoclássico.

Os autores enfatizam que a precisão espectral garante a confiabilidade dos gradientes de otimização, impedindo que o otimizador seja induzido ao erro por erros numéricos. Eles também observam que, embora o trabalho atual se concentre no transporte neoclássico, a estrutura é extensível a outros objetivos, como confinamento de partículas energéticas, proxies de transporte turbulento (por exemplo, energia disponível) e a maximização do segundo invariante adiabático. O trabalho estabelece uma base para problemas de design inverso mais sofisticados em física de stellarators, onde modelos cinéticos de alta fidelidade podem ser diretamente acoplados com loops de otimização.