Application of Neural Ordinary Differential Equations for ITER Burning Plasma Dynamics

要約

トカマク内での燃焼プラズマのダイナミクスは、制御された熱核融合を進めるために重要です。
この研究では、ITER 重水素 – 三重水素 (D-T) プラズマにおける複雑なエネルギー移動プロセスをシミュレートするためのマルチ領域マルチタイムスケール輸送モデルである NeuralPlasmaODE を紹介します。
私たちのモデルは、熱暴走不安定性などの現象を理解するために不可欠な、高エネルギーのアルファ粒子、電子、イオン間の相互作用を捉えます。
拡散率パラメーターの数値導出にはニューラル常微分方程式 (Neural ODE) を採用し、異なるプラズマ領域間のエネルギー相互作用の正確なモデリングを可能にします。
転移学習を活用することで、DIII-D 実験データから導出されたモデル パラメーターを利用し、ゼロからトレーニングすることなくシミュレーションの効率と精度を向上させます。
このモデルを ITER の誘導性および非誘導性の運用シナリオに適用すると、我々の結果は、放射および輸送プロセスが核プラズマから過剰な熱を効果的に除去し、熱暴走の不安定性を防止することを示しています。
この研究は、核融合炉における燃焼プラズマのダイナミクスの理解と制御を進める上での機械学習の可能性を強調しています。

要約(オリジナル)

The dynamics of burning plasmas in tokamaks are crucial for advancing controlled thermonuclear fusion. This study introduces the NeuralPlasmaODE, a multi-region multi-timescale transport model to simulate the complex energy transfer processes in ITER deuterium-tritium (D-T) plasmas. Our model captures the interactions between energetic alpha particles, electrons, and ions, which are vital for understanding phenomena such as thermal runaway instability. We employ neural ordinary differential equations (Neural ODEs) for the numerical derivation of diffusivity parameters, enabling precise modeling of energy interactions between different plasma regions. By leveraging transfer learning, we utilize model parameters derived from DIII-D experimental data, enhancing the efficiency and accuracy of our simulations without training from scratch. Applying this model to ITER’s inductive and non-inductive operational scenarios, our results demonstrate that radiation and transport processes effectively remove excess heat from the core plasma, preventing thermal runaway instability. This study underscores the potential of machine learning in advancing our understanding and control of burning plasma dynamics in fusion reactors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google