GyroSwin: 5D-суррогатные модели для моделирования турбулентности в гирокинетической плазме

GyroSwin: 5D Surrogates for Gyrokinetic Plasma Turbulence Simulations

October 8, 2025

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

cs.AI

Аннотация

Ядерный синтез играет ключевую роль в поиске надежных и устойчивых источников энергии. Основным препятствием для реализации жизнеспособного термоядерного синтеза является понимание турбулентности плазмы, которая значительно ухудшает удержание плазмы и имеет решающее значение для проектирования реакторов следующего поколения. Турбулентность плазмы описывается нелинейным гирокинетическим уравнением, которое описывает эволюцию 5D функции распределения во времени. Из-за высокой вычислительной сложности на практике часто используются модели пониженного порядка для аппроксимации турбулентного переноса энергии. Однако они игнорируют нелинейные эффекты, характерные для полной 5D динамики. Для решения этой проблемы мы представляем GyroSwin — первый масштабируемый 5D нейронный суррогат, способный моделировать 5D нелинейные гирокинетические симуляции, тем самым учитывая физические явления, упущенные моделями пониженного порядка, и предоставляя точные оценки турбулентного теплопереноса. GyroSwin (i) расширяет иерархические Vision Transformers до 5D, (ii) вводит модули кросс-внимания и интеграции для латентного взаимодействия 3D↔5D между полями электростатического потенциала и функцией распределения, а также (iii) выполняет разделение мод по каналам, вдохновленное нелинейной физикой. Мы демонстрируем, что GyroSwin превосходит широко используемые методы пониженного порядка в предсказании теплового потока, учитывает каскад турбулентной энергии и снижает стоимость полностью разрешенных нелинейных гирокинетических расчетов на три порядка величины, оставаясь физически проверяемым. GyroSwin демонстрирует перспективные законы масштабирования, протестированные на моделях до одного миллиарда параметров, прокладывая путь для масштабируемых нейронных суррогатов в гирокинетических симуляциях турбулентности плазмы.

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.