GyroSwin: 5D Surrogaten voor Gyrokinetische Plasma Turbulentie Simulaties

GyroSwin: 5D Surrogates for Gyrokinetic Plasma Turbulence Simulations

October 8, 2025

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

cs.AI

Samenvatting

Kernfusie speelt een cruciale rol in de zoektocht naar betrouwbare en duurzame energieproductie. Een grote hindernis voor levensvatbare fusie-energie is het begrijpen van plasma-turbulentie, die de insluiting van plasma aanzienlijk belemmert en essentieel is voor het ontwerp van de volgende generatie reactoren. Plasma-turbulentie wordt bepaald door de niet-lineaire gyrokinetische vergelijking, die een 5D-verdelingsfunctie in de tijd ontwikkelt. Vanwege de hoge rekenkosten worden in de praktijk vaak gereduceerde modellen gebruikt om de turbulente transport van energie te benaderen. Deze modellen negeren echter niet-lineaire effecten die uniek zijn voor de volledige 5D-dynamica. Om dit aan te pakken, introduceren we GyroSwin, de eerste schaalbare 5D neurale surrogaat die 5D niet-lineaire gyrokinetische simulaties kan modelleren, waardoor de fysische fenomenen die door gereduceerde modellen worden overgeslagen, worden vastgelegd, terwijl nauwkeurige schattingen van turbulente warmtetransport worden geboden. GyroSwin (i) breidt hiërarchische Vision Transformers uit naar 5D, (ii) introduceert cross-attention en integratiemodules voor latente 3D↔5D-interacties tussen elektrostatische potentiaalvelden en de verdelingsfunctie, en (iii) voert kanaalsgewijze modusscheiding uit, geïnspireerd door niet-lineaire fysica. We tonen aan dat GyroSwin veelgebruikte gereduceerde numerieke methoden overtreft in de voorspelling van warmteflux, de turbulente energiecascade vastlegt en de kosten van volledig opgeloste niet-lineaire gyrokinetica met drie ordes van grootte reduceert, terwijl het fysisch verifieerbaar blijft. GyroSwin toont veelbelovende schaalwetten, getest tot één miljard parameters, en baant zo de weg voor schaalbare neurale surrogaten voor gyrokinetische simulaties van plasma-turbulentie.

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.