Neural-Parareal：动态训练神经算子作为粗求解器用于聚变 MHD 模拟的时间并行化
等离子体物理
2024-10-21 v1
摘要
聚变研究设施 ITER 目前正在组装中，以证明聚变可用于工业能源生产，同时世界各地的其他几个项目也在推进，如 EU-DEMO、CFETR、SPARC 和 STEP。托卡马克极高的工程复杂性使其成为一个极具挑战性的优化设备，基于测试的优化将过于缓慢且成本高昂。相反，必须优先采用数字化设计与优化，这需要强耦合的高性能计算计算套件。在此背景下，拥有提供快速估计并带有不确定性量化的代理模型对于探索和优化新设计选项至关重要。此外，这些代理模型反过来也可用于加速模拟。Parareal 就是一个例子，这是一种可以加速大型 HPC 模拟的时间并行化方法，其中粗求解器可以被代理模型替代。我们开发了一个名为 Neural-Parareal 的新框架，随着更多数据的可用，动态集成神经算子的训练。对于给定的输入参数域，随着使用 Parareal 运行更多的模拟，该算法生成的大量数据被用于训练新的代理模型，作为未来 Parareal 模拟的粗求解器，从而使粗求解器逐渐变得更加准确，进而获得更高的加速比。研究发现，此类神经网络代理模型在为 Parareal 提供加速方面比传统粗求解器有效得多。本研究展示了 HPC 与 AI 的融合，这必将成为数字工程设计领域的普遍做法。
引用
@article{arxiv.2405.01355,
title = {Neural-Parareal: Dynamically Training Neural Operators as Coarse Solvers for Time-Parallelisation of Fusion MHD Simulations},
author = {S. J. P. Pamela and N. Carey and J. Brandstetter and R. Akers and L. Zanisi and J. Buchanan and V. Gopakumar and M. Hoelzl and G. Huijsmans and K. Pentland and T. James and G. Antonucci and the JOREK Team},
journal= {arXiv preprint arXiv:2405.01355},
year = {2024}
}