GyroSwin : Surrogats 5D pour les simulations de turbulence plasmatique gyrocinétique

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

La fusion nucléaire joue un rôle central dans la quête d'une production d'énergie fiable et durable. Un obstacle majeur à la viabilité de l'énergie de fusion réside dans la compréhension de la turbulence du plasma, qui altère significativement le confinement du plasma et est essentielle pour la conception des réacteurs de nouvelle génération. La turbulence du plasma est régie par l'équation gyrocinétique non linéaire, qui fait évoluer une fonction de distribution en 5 dimensions au fil du temps. En raison de son coût computationnel élevé, des modèles d'ordre réduit sont souvent utilisés en pratique pour approximer le transport turbulent de l'énergie. Cependant, ces modèles omettent les effets non linéaires spécifiques à la dynamique complète en 5D. Pour résoudre ce problème, nous introduisons GyroSwin, le premier substitut neuronal 5D scalable capable de modéliser des simulations gyrocinétiques non linéaires en 5D, capturant ainsi les phénomènes physiques négligés par les modèles réduits, tout en fournissant des estimations précises du transport turbulent de chaleur. GyroSwin (i) étend les Transformers hiérarchiques de vision à 5 dimensions, (ii) introduit des modules d'attention croisée et d'intégration pour les interactions latentes 3D↔5D entre les champs de potentiel électrostatique et la fonction de distribution, et (iii) effectue une séparation modale par canal inspirée par la physique non linéaire. Nous démontrons que GyroSwin surpasse les méthodes numériques réduites couramment utilisées pour la prédiction du flux de chaleur, capture la cascade d'énergie turbulente, et réduit le coût des simulations gyrocinétiques non linéaires entièrement résolues de trois ordres de grandeur tout en restant physiquement vérifiable. GyroSwin présente des lois de scaling prometteuses, testées jusqu'à un milliard de paramètres, ouvrant la voie à des substituts neuronaux scalables pour les simulations gyrocinétiques de la turbulence du 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.