GyroSwin: Sucedáneos 5D para Simulaciones de Turbulencia en Plasmas Girocinéticos

GyroSwin: 5D Surrogates for Gyrokinetic Plasma Turbulence Simulations

October 8, 2025

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

cs.AI

Resumen

La fusión nuclear desempeña un papel fundamental en la búsqueda de una producción de energía confiable y sostenible. Un obstáculo importante para la viabilidad de la energía de fusión es la comprensión de la turbulencia del plasma, la cual afecta significativamente el confinamiento del plasma y es crucial para el diseño de reactores de próxima generación. La turbulencia del plasma está gobernada por la ecuación girocinética no lineal, que evoluciona una función de distribución 5D en el tiempo. Debido a su alto costo computacional, en la práctica se emplean modelos de orden reducido para aproximar el transporte turbulento de energía. Sin embargo, estos omiten efectos no lineales únicos de la dinámica completa en 5D. Para abordar este problema, presentamos GyroSwin, el primer sustituto neuronal escalable en 5D capaz de modelar simulaciones girocinéticas no lineales en 5D, capturando así los fenómenos físicos descuidados por los modelos reducidos, mientras proporciona estimaciones precisas del transporte turbulento de calor. GyroSwin (i) extiende los Transformers jerárquicos de visión a 5D, (ii) introduce módulos de atención cruzada e integración para interacciones latentes 3D↔5D entre campos de potencial electrostático y la función de distribución, y (iii) realiza una separación modal por canales inspirada en la física no lineal. Demostramos que GyroSwin supera a los métodos numéricos reducidos ampliamente utilizados en la predicción del flujo de calor, captura la cascada de energía turbulenta y reduce el costo de la girocinética no lineal completamente resuelta en tres órdenes de magnitud, manteniendo la verificabilidad física. GyroSwin muestra leyes de escalado prometedoras, probadas hasta mil millones de parámetros, allanando el camino para sustitutos neuronales escalables en simulaciones girocinéticas de turbulencia de plasma.

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.