托卡马克等离子体情景与经典控制设计的仿真技术

托卡马克中情景的优化和实时控制设计，特别是对于仍处于设计阶段的装置，需要在等离子体和线圈参数的高维空间中对 Grad-Shafranov (GS) 方程的解进行全面探索。如果有足够大的平衡态库可用，仿真器可以绕过 GS 方程中的数值问题。我们训练了一个神经网络集成来仿真典型的形状控制目标（中平面分界面、X点、偏滤器打击点、磁通展开、极向比压）作为等离子体参数和有源线圈电流的函数，适用于具有 super-X 偏滤器的球形托卡马克相关的等离子体位形范围，并达到了百分比级别的精度。这允许快速计算经典控制形状矩阵，有可能在放电中的任意点实现亚毫秒级延迟的实时计算。我们设计了一个超参数采样器来选择最佳网络架构，并量化模型预测的不确定性。为了生成相关的训练集，我们设计了一个马尔可夫链蒙特卡罗算法，无需用户干预即可生成大量正向 Grad-Shafranov 解的库。该算法促进具有理想属性的平衡态，同时避免导致问题轮廓或 GS 方程积分中出现数值问题的参数组合。