GyroSwin: Surrogati 5D per Simulazioni di Turbolenza Plasmatica Girocinetica

GyroSwin: 5D Surrogates for Gyrokinetic Plasma Turbulence Simulations

October 8, 2025

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

cs.AI

Abstract

La fusione nucleare svolge un ruolo cruciale nella ricerca di una produzione energetica affidabile e sostenibile. Un ostacolo significativo alla realizzazione di energia da fusione è la comprensione della turbolenza del plasma, che compromette notevolmente il confinamento del plasma ed è essenziale per la progettazione di reattori di nuova generazione. La turbolenza del plasma è governata dall'equazione girocinetica non lineare, che evolve una funzione di distribuzione 5D nel tempo. A causa del suo elevato costo computazionale, nella pratica si utilizzano spesso modelli a ordine ridotto per approssimare il trasporto turbolento di energia. Tuttavia, questi omettono gli effetti non lineari unici della dinamica 5D completa. Per affrontare questo problema, introduciamo GyroSwin, il primo surrogato neurale 5D scalabile in grado di modellare simulazioni girocinetiche non lineari 5D, catturando così i fenomeni fisici trascurati dai modelli ridotti, fornendo al contempo stime accurate del trasporto turbolento di calore. GyroSwin (i) estende i Vision Transformer gerarchici a 5D, (ii) introduce moduli di cross-attention e integrazione per le interazioni latenti 3D↔5D tra i campi di potenziale elettrostatico e la funzione di distribuzione, e (iii) esegue una separazione modale per canale ispirata alla fisica non lineare. Dimostriamo che GyroSwin supera i metodi numerici ridotti ampiamente utilizzati nella previsione del flusso di calore, cattura la cascata di energia turbolenta e riduce il costo delle simulazioni girocinetiche non lineari completamente risolte di tre ordini di grandezza, mantenendosi fisicamente verificabile. GyroSwin mostra promettenti leggi di scalabilità, testate fino a un miliardo di parametri, aprendo la strada a surrogati neurali scalabili per le simulazioni girocinetiche della turbolenza del 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.