GyroSwin: 5D-Surrogate für Gyrokinetische Plasmaturbulenz-Simulationen

GyroSwin: 5D Surrogates for Gyrokinetic Plasma Turbulence Simulations

October 8, 2025

papers.authors: Fabian Paischer, Gianluca Galletti, William Hornsby, Paul Setinek, Lorenzo Zanisi, Naomi Carey, Stanislas Pamela, Johannes Brandstetter

cs.AI

papers.abstract

Die Kernfusion spielt eine entscheidende Rolle bei der Suche nach zuverlässiger und nachhaltiger Energieerzeugung. Ein wesentliches Hindernis für die praktische Nutzung der Fusionsenergie ist das Verständnis der Plasmaturbulenz, die die Plasmabeschränkung erheblich beeinträchtigt und für das Design der nächsten Generation von Reaktoren von zentraler Bedeutung ist. Die Plasmaturbulenz wird durch die nichtlineare gyrokinetische Gleichung beschrieben, die eine 5D-Verteilungsfunktion über die Zeit entwickelt. Aufgrund der hohen Rechenkosten werden in der Praxis oft reduzierte Modelle verwendet, um den turbulenten Energietransport zu approximieren. Diese lassen jedoch nichtlineare Effekte außer Acht, die für die vollständige 5D-Dynamik einzigartig sind. Um dies zu bewältigen, stellen wir GyroSwin vor, den ersten skalierbaren 5D-Neural-Surrogate, der 5D-nichtlineare gyrokinetische Simulationen modellieren kann und somit die physikalischen Phänomene erfasst, die von reduzierten Modellen vernachlässigt werden, während er gleichzeitig präzise Schätzungen des turbulenten Wärmetransports liefert. GyroSwin (i) erweitert hierarchische Vision-Transformer auf 5D, (ii) führt Cross-Attention- und Integrationsmodule für latente 3D↔5D-Interaktionen zwischen elektrostatischen Potentialfeldern und der Verteilungsfunktion ein und (iii) führt eine kanalweise Modentrennung durch, die von der nichtlinearen Physik inspiriert ist. Wir zeigen, dass GyroSwin weit verbreitete reduzierte numerische Methoden bei der Vorhersage des Wärmeflusses übertrifft, die turbulente Energiekaskade erfasst und die Kosten für vollständig aufgelöste nichtlineare gyrokinetische Simulationen um drei Größenordnungen reduziert, während es physikalisch überprüfbar bleibt. GyroSwin zeigt vielversprechende Skalierungsgesetze, die bis zu einer Milliarde Parameter getestet wurden, und ebnet den Weg für skalierbare Neural-Surrogates für gyrokinetische Simulationen der Plasmaturbulenz.

English

Nuclear fusion plays a pivotal role in the quest for reliable and sustainable energy production. A major roadblock to viable fusion power is understanding plasma turbulence, which significantly impairs plasma confinement, and is vital for next-generation reactor design. Plasma turbulence is governed by the nonlinear gyrokinetic equation, which evolves a 5D distribution function over time. Due to its high computational cost, reduced-order models are often employed in practice to approximate turbulent transport of energy. However, they omit nonlinear effects unique to the full 5D dynamics. To tackle this, we introduce GyroSwin, the first scalable 5D neural surrogate that can model 5D nonlinear gyrokinetic simulations, thereby capturing the physical phenomena neglected by reduced models, while providing accurate estimates of turbulent heat transport.GyroSwin (i) extends hierarchical Vision Transformers to 5D, (ii) introduces cross-attention and integration modules for latent 3Dleftrightarrow5D interactions between electrostatic potential fields and the distribution function, and (iii) performs channelwise mode separation inspired by nonlinear physics. We demonstrate that GyroSwin outperforms widely used reduced numerics on heat flux prediction, captures the turbulent energy cascade, and reduces the cost of fully resolved nonlinear gyrokinetics by three orders of magnitude while remaining physically verifiable. GyroSwin shows promising scaling laws, tested up to one billion parameters, paving the way for scalable neural surrogates for gyrokinetic simulations of plasma turbulence.