TGLF-SINN: Deep Learning Surrogate Model for Accelerating Turbulent Transport Modeling in Fusion
Yadi Cao, Futian Zhang, Wesley Liu, Tom Neiser, Orso Meneghini, Lawson Fuller, Sterling Smith, Raffi Nazikian, Brian Sammuli, Rose Yu
Trapped Gyro-Landau Fluid(TGLF)模型提供了对托卡马克斯湍流传输的快速,准确的预测,但需要数千次评估的整个设备模拟仍然具有计算成本。 神经网络(NN)替代物通过完全可微的近似值提供加速推理,从而实现基于梯度的耦合,但通常需要大型训练数据集来捕获等离子体条件下的运输通量变化,从而产生显着的训练负担并限制对昂贵的陀螺模拟的适用性。 我们提出了TGLF-SINN(光谱信息神经网络)有三个关键创新:(1)减少目标预测范围的原理特征工程,简化学习任务;(2)物理引导的传输光谱的正则化,以提高稀疏数据下的概括;(3)贝叶斯主动学习(BAL)根据模型不确定性战略性地选择训练样本,降低数据要求,同时保持准确性。 我们的方法通过显著更少的训练数据实现卓越的性能。 在离线设置中,TGLF-SINN将对数根均方误差(LRMSE)减少了12。 与当前基线相比,4%。 使用BAL的完整数据集的25%,我们仅比离线模型(0.0583)高出0.0165和0.0248。 在下游通量匹配应用中,我们的NN代理在TGLF上提供45倍的加速,同时保持可比的准确性,证明了为高保真模型训练高效代理的潜力,这些模型的数据采集成本高昂且稀疏。
The Trapped Gyro-Landau Fluid (TGLF) model provides fast, accurate predictions of turbulent transport in tokamaks, but whole device simulations requiring thousands of evaluations remain computationally expensive. Neural network (NN) surrogates offer accelerated inference with fully differentiable approximations that enable gradient-based coupling but typically require large training datasets to capture transport flux variations across plasma conditions, creating significant training burden and l...