TGLF-WINN：面向聚变中湍流输运建模的数据高效深度学习代理模型
等离子体物理
2026-05-20 v3 机器学习
摘要
Trapped Gyro-Landau Fluid (TGLF) 模型能够快速、准确地预测托卡马克中的湍流输运，但需要数千次评估的全装置模拟在计算上仍然昂贵。神经网络 (NN) 代理模型提供了加速推理的完全可微分近似，能够实现基于梯度的耦合，但通常需要大型训练数据集才能捕捉等离子体条件下的输运通量变化，这造成了显著的训练负担并限制了对昂贵的回旋动理学模拟的适用性。我们提出了 TGLF-WINN（Wavenumber-Informed Neural Network），具有三项关键创新：（1）原则性的特征工程，降低了目标预测范围，简化了学习任务；（2）物理引导的波数分辨正则化，以提升稀疏数据下的泛化能力；（3）贝叶斯主动学习 (BAL)，基于模型不确定性策略性地选择训练样本，在保持准确性的同时减少了数据需求。特征调整和波数正则化相结合，在完整数据集上比 TGLF-NN 实现了 12.5% 的相对 RMSLE 降低；在稀疏、未过滤训练（约为完整数据集的 1/9）下，其 RMSLE 退化比 TGLF-NN 小一个数量级，同时波数信息正则化对逐模通量施加了物理引导的约束。加入贝叶斯主动学习后，TGLF-WINN 仅使用 25% 的训练数据便匹配了 TGLF-NN 的全数据离线精度，在 TGLF-NN 的全数据基线的 2.8% 和我们自身全数据结果的 4.3% 范围内。下游的通量匹配工作流进一步展示了其实用性：NN 代理模型比 TGLF 实现了 45 倍的加速，且具有可比的重构精度。
引用
@article{arxiv.2509.07024,
title = {TGLF-WINN: Data-Efficient Deep Learning Surrogate for Turbulent Transport Modeling in Fusion},
author = {Yadi Cao and Futian Zhang and Wesley Liu and Tom Neiser and Orso Meneghini and Lawson Fuller and Sterling Smith and Raffi Nazikian and Brian Sammuli and Rose Yu},
journal= {arXiv preprint arXiv:2509.07024},
year = {2026}
}
备注
Minor Revision responding to Nuclear Fusion reviewer and adjudicator comments (round 3)