Scientific Machine Learning Based Reduced-Order Models for Plasma Turbulence Simulations

要約

この論文では、プラズマ乱流シミュレーションのための非侵入型科学機械学習 (SciML) 削減次数モデル (ROM) について調査します。
特に、このようなシミュレーション用のデータから低コストの物理ベースの ROM を構築するためのオペレーター推論 (OpInf) に焦点を当てています。
代表的な例として、二次元静電漂流波乱流のモデル化に使用される (古典的な) 長谷川-若谷 (HW) 方程式を検討します。
予測 ROM を構築する OpInf の可能性を包括的に見るために、重要なパラメーター、つまり断熱係数を変化させることによる HW 方程式の 3 つの設定を検討します。
これらの設定は複雑で非線形のダイナミクスの形成につながり、あらゆる種類の予測 ROM の構築を困難にします。
HW 方程式の直接数値シミュレーションを実行し、計算された状態データを記録することによってトレーニング データセットを生成し、乱流フェーズで $100$ 時間単位の時間軸にわたって出力します。
次に、これらのデータセットを使用して、$400$ の追加の時間単位、つまりトレーニング期間より $400\%$ 多い予測用の OpInf ROM を構築します。
私たちの結果は、OpInf ROM が乱流ダイナミクスの重要な統計的特徴を捕捉し、高忠実度シミュレーションの計算量を最大 5 桁削減しながら、トレーニング期間を超えて一般化できることを示しています。
核融合研究のより広範な文脈において、これは、非侵入型 SciML ROM が数値研究を大幅に加速する可能性を秘めており、最終的には最適化された核融合デバイスの設計などのタスクを可能にする可能性があることを示しています。

要約(オリジナル)

This paper investigates non-intrusive Scientific Machine Learning (SciML) Reduced-Order Models (ROMs) for plasma turbulence simulations. In particular, we focus on Operator Inference (OpInf) to build low-cost physics-based ROMs from data for such simulations. As a representative example, we consider the (classical) Hasegawa-Wakatani (HW) equations used for modeling two-dimensional electrostatic drift-wave turbulence. For a comprehensive perspective of the potential of OpInf to construct predictive ROMs, we consider three setups for the HW equations by varying a key parameter, namely the adiabaticity coefficient. These setups lead to the formation of complex and nonlinear dynamics, which makes the construction of predictive ROMs of any kind challenging. We generate the training datasets by performing direct numerical simulations of the HW equations and recording the computed state data and outputs the over a time horizon of $100$ time units in the turbulent phase. We then use these datasets to construct OpInf ROMs for predictions over $400$ additional time units, that is, $400\%$ more than the training horizon. Our results show that the OpInf ROMs capture important statistical features of the turbulent dynamics and generalize beyond the training time horizon while reducing the computational effort of the high-fidelity simulation by up to five orders of magnitude. In the broader context of fusion research, this shows that non-intrusive SciML ROMs have the potential to drastically accelerate numerical studies, which can ultimately enable tasks such as the design of optimized fusion devices.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google