論文の概要: Autoregressive long-horizon prediction of plasma edge dynamics

• arxiv url: http://arxiv.org/abs/2512.23884v1
• Date: Mon, 29 Dec 2025 22:19:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.227838
• Title: Autoregressive long-horizon prediction of plasma edge dynamics
• Title（参考訳）: プラズマエッジダイナミクスの自己回帰長水平予測
• Authors: Hunor Csala, Sebastian De Pascuale, Paul Laiu, Jeremy Lore, Jae-Sun Park, Pei Zhang,
• Abstract要約: プラズマエッジ状態場を効率的に予測するために, トランスフォーマを用いた自己回帰型サロゲートを提案する。 SOLPS-ITERデータに基づいてトレーニングされたこのサロゲートは、電子温度、電子密度、および拡張水平線上の放射パワーを予測する。
• 参考スコア（独自算出の注目度）: 4.152161649392119
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate modeling of scrape-off layer (SOL) and divertor-edge dynamics is vital for designing plasma-facing components in fusion devices. High-fidelity edge fluid/neutral codes such as SOLPS-ITER capture SOL physics with high accuracy, but their computational cost limits broad parameter scans and long transient studies. We present transformer-based, autoregressive surrogates for efficient prediction of 2D, time-dependent plasma edge state fields. Trained on SOLPS-ITER spatiotemporal data, the surrogates forecast electron temperature, electron density, and radiated power over extended horizons. We evaluate model variants trained with increasing autoregressive horizons (1-100 steps) on short- and long-horizon prediction tasks. Longer-horizon training systematically improves rollout stability and mitigates error accumulation, enabling stable predictions over hundreds to thousands of steps and reproducing key dynamical features such as the motion of high-radiation regions. Measured end-to-end wall-clock times show the surrogate is orders of magnitude faster than SOLPS-ITER, enabling rapid parameter exploration. Prediction accuracy degrades when the surrogate enters physical regimes not represented in the training dataset, motivating future work on data enrichment and physics-informed constraints. Overall, this approach provides a fast, accurate surrogate for computationally intensive plasma edge simulations, supporting rapid scenario exploration, control-oriented studies, and progress toward real-time applications in fusion devices.
• Abstract（参考訳）: 核融合装置におけるプラズマ表面成分の設計には, スクラップオフ層(SOL)とダイバータエッジダイナミクスの正確なモデリングが不可欠である。 SOLPS-ITERのような高忠実なエッジ流体/ニュートラル符号は高精度でSOL物理をキャプチャするが、計算コストは広いパラメータスキャンと長い過渡的な研究を制限する。 本稿では,2次元の時間依存プラズマエッジ状態場を効率的に予測するためのトランスフォーマーを用いた自己回帰型サロゲートを提案する。 SOLPS-ITERの時空間データに基づいて、サロゲートは拡大水平線上での電子温度、電子密度、放射パワーを予測する。 我々は,短時間・長期の予測タスクにおいて,自己回帰的地平線(1-100ステップ)の増加を訓練したモデル変異を評価した。 長期水平トレーニングは、ロールアウト安定性を体系的に改善し、エラーの蓄積を軽減し、数百から数千ステップにわたる安定した予測を可能にし、高放射領域の運動のような重要な動的特徴を再現する。 SOLPS-ITERよりもサロゲートが桁違いに高速であることを示し、高速なパラメータ探索を可能にした。 予測精度は、サロゲートがトレーニングデータセットに表現されていない物理的なレギュレーションに入ると劣化し、データエンリッチメントと物理インフォームド制約に関する将来の研究を動機付ける。 全体として、このアプローチは計算集約的なプラズマエッジシミュレーションのための高速で正確なサロゲートを提供し、迅速なシナリオ探索、制御指向の研究、融合装置におけるリアルタイムアプリケーションに向けた進歩をサポートする。

関連論文リスト

• Hierarchical Implicit Neural Emulators [20.09615751270837]
  本稿では,長期予測精度を高めるマルチスケール暗黙的ニューラルエミュレータを提案する。 提案手法では, 圧縮速度の向上に先立って, 次の段階の圧縮速度の向上を推算する。 乱流流体力学の実験により,本手法は短期精度が高く,長期安定予測が得られた。
  論文  参考訳（メタデータ） (2025-06-05T00:28:26Z)
• Single-shot prediction of parametric partial differential equations [3.987215131970378]
  Flexi-VAEはパラメトリック偏微分方程式(PDE)の効率的な単発予測のためのデータ駆動フレームワークである 本稿では,潜時粘着を進行させるニューラルプロパゲータを提案する。 我々は,PDEベンチマーク,1次元バーガーズ方程式,2次元対流拡散方程式に対してフレキシ-VAEを検証し,広いパラメトリック範囲にわたって正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-14T01:48:26Z)
• Data-Driven Forecasting of High-Dimensional Transient and Stationary Processes via Space-Time Projection [0.0]
  時空間投影(STP)は,高次元および時間分解データに対するデータ駆動予測手法として導入された。 この方法は、後流と予測間隔の両方からなる予測水平線にまたがるトレーニングデータから、拡張時空間固有モードを算出する。
  論文  参考訳（メタデータ） (2025-03-31T03:36:59Z)
• Learning Plasma Dynamics and Robust Rampdown Trajectories with Predict-First Experiments at TCV [37.922926147647544]
  トカマクにおける可変ランプダウンの時, プラズマ力学を予測するニューラル状態空間モデル(NSSM)を開発した。 NSSMは、原子炉関連高性能システムにおいて、わずか5パルスの311パルスの控えめなデータセットから効率よくダイナミクスを学習する。 TCVの高性能実験は、関連するメトリクスの統計的に有意な改善を示している。
  論文  参考訳（メタデータ） (2025-02-17T21:19:15Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
  トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。 深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。 我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。 FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
  論文  参考訳（メタデータ） (2023-11-10T10:05:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。