Neural networks (NNs) offer a path towards synthesizing and interpreting data on faster timescales than traditional physics-informed computational models. In this work we develop two NNs relevant to equilibrium and shape control modeling, which are part of a suite of tools being developed for the National Spherical Torus Experiment-Upgrade for fast prediction, optimization, and visualization of plasma scenarios. The networks include Eqnet, a free-boundary equilibrium solver trained on the EFIT01 (Equilibrium FITtting 01) reconstruction algorithm, and Pertnet, which is trained on the Gspert code and predicts the non-rigid plasma response, a nonlinear term that arises in shape control modeling. The NNs are trained with different combinations of inputs and outputs in order to offer flexibility in use cases. In particular, Eqnet can use magnetic diagnostics as inputs and act as an EFIT-like reconstruction algorithm, or, by using pressure and current profile information the NN can act as a forward Grad–Shafranov equilibrium solver. This forward-mode version is envisioned to be implemented in the suite of tools for simulation of plasma scenarios. The reconstruction-mode version gives some performance improvements compared to the online reconstruction code real-time EFIT, especially when vessel eddy currents are significant. We report strong performance for all NNs indicating that the models could reliably be used within closed-loop simulations or other applications. Some limitations are discussed.
ニューラルネットワーク（NN）は、従来の物理情報に基づく計算モデルよりも高速な時間スケールでデータを合成・解釈する手段を提供する。本稿では、平衡および形状制御のモデリングに関連する2つのNNを開発する。これらは、National Spherical Torus Experiment-Upgradeにおける高速予測、最適化、およびプラズマシナリオの可視化のために開発中のツール群の一部である。このNNには、EFIT01（Equilibrium FITting 01）再構成アルゴリズムに基づいて学習された自由境界平衡ソルバーであるEqnetと、Gspertコードに基づいて学習され、形状制御モデリングにおいて生じる非線形項である非剛体プラズマ応答を予測するPertnetが含まれる。これらのNNは、異なる入力・出力の組み合わせで学習され、多様な使用場面での柔軟性を提供する。特に、Eqnetは磁気診断を入力として使用し、EFITに類似した再構成アルゴリズムとして機能することも、圧力および電流密度プロファイル情報を入力として使用し、順問題のGrad–Shafranov平衡ソルバーとして機能することもできる。この順問題モードのバージョンは、プラズマシナリオのシミュレーションのためのツール群への実装が想定されている。再構成モードのバージョンは、渦電流が顕著な場合において、オンライン再構成コードであるreal-time EFITと比較して性能の向上を示す。すべてのNNにおいて高い性能が報告されており、これらのモデルが閉ループシミュレーションやその他の応用において確実に使用できることが示されている。いくつかの限界についても議論する。