用于ITER非线性高能粒子输运预测的机器学习替代模型
等离子体物理
2026-08-11 v1
摘要
快速准确地预测由阿尔芬本征模（AE）不稳定性驱动的高能粒子输运，对于用于燃烧等离子体聚变反应堆设计和优化的集成建模工作流程至关重要。在这项工作中，我们开发了基于机器学习的替代模型，用于快速预测ITER稳态场景中的高能束和α粒子输运通量，并提供预测不确定性估计。两种互补的替代方法，即高斯过程（GP）回归和分层神经网络（NN），使用非线性FAR3d回旋流体模拟的高能粒子输运数据进行训练。通量变异性分析表明，所选的等离子体状态表示在采样的特征空间的大部分区域提供了非线性输运响应的充分唯一参数化，从而证明了替代公式的合理性。两种替代模型都能以高预测精度再现非线性输运通量，同时将输运评估的计算成本相对于直接非线性FAR3d模拟降低了大约五到六个数量级。尽管这两种方法达到了相当的预测精度，但它们表现出不同的不确定性特征：GP提供更一致的全局不确定性估计，而NN更清晰地区分不同的输运机制。这项工作为开发高能粒子输运的机器学习替代模型建立了概念验证，这些模型足够准确和计算高效，可以纳入未来的集成建模工作流程。
引用
@article{arxiv.2608.11058,
title = {Machine-learning surrogate models for nonlinear energetic-particle transport predictions in ITER},
author = {Yashika Ghai and Donald A. Spong and Jacobo Varela and Luis Garcia},
journal= {arXiv preprint arXiv:2608.11058},
year = {2026}
}