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

Resumo Técnico: Otimização Bayesiana do Confinamento de Partículas Alfa em Stellarators

Definição do Problema
O projeto de stellarators modernos baseia-se na otimização da forma da fronteira do plasma, tipicamente parametrizada por amplitudes de Fourier. Este espaço de parâmetros tradicional apresenta desafios significativos para algoritmos de otimização global, particularmente a otimização bayesiana (BO). Primeiro, as escalas das modulações de Fourier variam drasticamente (modos de ordem alta possuem amplitudes muito menores que os de ordem baixa), violando a premissa de que as dimensões de entrada devem possuir escalas semelhantes para uma otimização eficiente. Segundo, muitos algoritmos globais requerem restrições de limites (restrições de caixa), mas estabelecer esses limites para amplitudes de Fourier não é trivial: restrições amplas frequentemente levam a fronteiras autointerseccionantes e não físicas, onde cálculos de equilíbrio magnetohidrodinâmico (MHD) falham, enquanto restrições estreitas limitam a expressividade da geometria, podendo excluir formas ideais. Além disso, espaços de Fourier de alta dimensionalidade tornam proibitivo computacionalmente incluir cálculos de física de alta fidelidade, como o rastreamento direto de centro-guia para o confinamento de partículas energéticas, dentro do loop de otimização.

Metodologia
Os autores propõem dois novos espaços de parâmetros "informados por dados" projetados para abordar questões de escala, restrições de limites e dimensionalidade. Ambos os métodos utilizam um conjunto de dados de fronteiras de stellarators existentes (extraídos de configurações experimentais como W7-X e LHD, e bases de dados como QUASR e ConStellaration) para definir uma distribuição de probabilidade a priori sobre as formas das fronteiras.

1. Espaço de Fourier com Transformação de Quantil:

   • Uma transformação de quantil é aplicada independentemente a cada amplitude de Fourier no conjunto de dados.
   • Isso mapeia a função de distribuição acumulada (CDF) empírica de cada parâmetro para uma distribuição uniforme no intervalo unitário $[0, 1]$.
   • As variáveis transformadas tornam-se os novos graus de liberdade. Esta abordagem naturalmente limita os parâmetros ao intervalo $[0, 1]$, garante escalas comparáveis entre as dimensões e é robusta a valores discrepantes (outliers). A transformação é linear por partes, preservando a compatibilidade com métodos baseados em gradiente, se necessário.

2. Espaço de Parâmetros Baseado em PCA:

   • A Análise de Componentes Principais (PCA) é primeiro aplicada aos dados da fronteira (representados como coordenadas $(R, Z)$ em uma grade).
   • Uma transformação de quantil é então aplicada às amplitudes dos componentes principais.
   • Este método oferece redução de dimensionalidade, capturando a variância de formas de fronteira complexas com um pequeno número de parâmetros, mantendo simultaneamente limites naturais.

Ambos os métodos permitem amostragem ponderada para evitar a sobrerrepresentação de classes específicas de configurações (ex: designs quassimetricos) nos dados de treinamento. Os autores também detalham procedimentos para fixar o raio maior, o raio menor e a razão de aspecto independentemente da definição do espaço de parâmetros.

Aplicação de Otimização
Os novos espaços de parâmetros são demonstrados via otimização bayesiana para minimizar as perdas de partículas alfa.

• Função Objetivo: Uma nova função objetivo é definida com base no tempo necessário para que as perdas de partículas alfa atinjam um limiar ($M=2\%$). Se as perdas excederem o limiar precocemente, a função é penalizada com base no tempo para atingi-lo; caso contrário, baseia-se no total de perdas em um tempo fixo ($t_{max}=0,1$ s). Isso atua como um método de multifidelidade, encerrando o rastreamento precocemente para configurações ruins para economizar recursos computacionais.
• Algoritmo: É empregada a otimização bayesiana paralela assíncrona utilizando as bibliotecas Ax e TURBO. O fluxo de trabalho utiliza múltiplas GPUs (via código CATAPULT) para rastrear trajetórias de centro-guia concorrentemente, com um processo gerenciador atualizando o modelo substituto de processo gaussiano conforme os resultados retornam.
• Modelo de Física: Equilíbrios MHD são computados usando vmec++. Trajetórias de centro-guia para partículas alfa de 3,5 MeV são rastreadas sem colisões em coordenadas Boozer. A escala do dispositivo é fixada para um campo magnético máximo de 12 T, com perfis de pressão típicos de reatores de alto campo.

Principais Resultados
Os autores apresentam cinco configurações de stellarator otimizadas (Configurações 1–5) geradas usando estes métodos:

• Desempenho de Confinamento: Todas as cinco configurações exibem excelente confinamento de partículas alfa. As Configurações 1–3 (não restritas) alcançam perdas de energia $< 0,06\%$. As Configurações 4–5, que incluem uma restrição para estabilidade de Mercier, alcançam perdas $\le 1\%$.
• Comparação com Baselines: Quando comparadas a configurações existentes (incluindo designs ConStellaration otimizados para quase-isodinamicidade e variantes do W7-X) sob mesma escala e inicialização, as novas configurações apresentam perdas significativamente menores (frequentemente uma ordem de magnitude melhores).
• Topologia de Campo: Os campos otimizados são notavelmente distantes de padrões ideais quassimétricos (QS), omnígenos ou quase-isodinâmicos (QI). Por exemplo, os contornos do campo magnético próximos a $B_{max}$ na maioria das configurações não se fecham poloidalmente, toroidalmente ou helicamente, violando a omnigenicidade. A Configuração 3 exibe uma estrutura híbrida que se assemelha a campos de piecewise-omnigenous.
• Transporte Neoclássico: Apesar da falta de simetria estrita, as configurações otimizadas exibem baixa ondulação efetiva ($\epsilon_{eff} < 1\%$) no núcleo, comparável ou superior ao W7-X, sugerindo que a otimização para o confinamento de íons rápidos melhora inerentemente o transporte térmico neoclássico.
• Eficácia do Espaço de Parâmetros: Os espaços informados por dados melhoram significativamente a "fração utilizável" ($f_{us}$) do espaço de design (a fração do espaço de parâmetros onde o equilíbrio MHD converge) em comparação com os espaços de Fourier basais. O método PCA demonstra adicionalmente que uma grande variedade de fronteiras fortemente moldadas pode ser representada com um número reduzido de dimensões (ex: 20–25 componentes principais).

Significância e Alegações
O artigo alega que os espaços de parâmetros propostos, informados por dados, resolvem efetivamente o compromisso entre expressividade e a usabilidade do espaço de design para otimização global. Ao mapear distribuições de dados para um hipercubo unitário via transformações de quantil, os métodos fornecem limites e escalas naturais que facilitam o uso de algoritmos sem derivada, como a otimização bayesiana.

A principal contribuição científica é a demonstração de que um excelente confinamento de partículas alfa pode ser alcançado em configurações de stellarator que estão longe de serem quassimétricas ou quase-isodinâmicas. Isso desafia a visão predominante de que a adesão estrita às condições QS ou QI é necessária para um bom confinamento, sugerindo que tais condições podem ser excessivamente restritivas. O trabalho fornece um arcabouço para otimizar diretamente objetivos de física de alta fidelidade e não suaves (como o rastreamento de Monte Carlo de centro-guia) combinando redução de dimensionalidade, parametrização robusta e computação paralela assíncrona.