GyroSwin: ジャイロキネティックプラズマ乱流シミュレーションのための5次元代理モデル

GyroSwin: 5D Surrogates for Gyrokinetic Plasma Turbulence Simulations

October 8, 2025

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

cs.AI

要旨

核融合は、信頼性が高く持続可能なエネルギー生産を追求する上で重要な役割を果たしている。核融合発電の実現に向けた主要な障壁は、プラズマ乱流の理解であり、これはプラズマ閉じ込めを著しく損ない、次世代原子炉設計にとって極めて重要である。プラズマ乱流は、非線形ジャイロ運動方程式によって支配され、5次元分布関数を時間とともに進化させる。その高い計算コストのため、実際にはエネルギー輸送の乱流を近似するために低次元モデルがしばしば用いられる。しかし、これらのモデルは完全な5次元ダイナミクスに特有の非線形効果を省略している。この問題に対処するため、我々はGyroSwinを導入する。これは、5次元非線形ジャイロ運動シミュレーションをモデル化できる初のスケーラブルな5次元ニューラルサロゲートであり、低次元モデルによって無視される物理現象を捉えるとともに、乱流熱輸送の正確な推定を提供する。GyroSwinは、(i)階層型Vision Transformerを5次元に拡張し、(ii)静電ポテンシャル場と分布関数の間の潜在的な3D↔5D相互作用のためのクロスアテンションおよび積分モジュールを導入し、(iii)非線形物理学に着想を得たチャネルごとのモード分離を実行する。我々は、GyroSwinが熱流束予測において広く使用されている低次元数値手法を上回り、乱流エネルギーのカスケードを捉え、完全に解像された非線形ジャイロ運動のコストを3桁削減しながら物理的に検証可能であることを示す。GyroSwinは、10億パラメータまでテストされた有望なスケーリング則を示し、プラズマ乱流のジャイロ運動シミュレーションのためのスケーラブルなニューラルサロゲートへの道を開く。

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.