Simulation-based plasma scenario development plays a crucial role in designing next-generation tokamaks and fusion power plants. However, the inclusion of high-fidelity simulations of scrape-off layer turbulence and transient MHD events such as edge localized modes in highly iterative applications remains computationally prohibitive, limiting their use in design and control workflows. Understanding these phenomena is vital, as they govern heat flux on plasma-facing components, influencing reactor performance and material lifetime. This study explored Fourier neural operators (FNOs) as surrogate models to accelerate plasma simulations from the JOREK MHD and STORM turbulence codes. FNOs were trained on single-step rollouts and evaluated in terms of long-term predictive accuracy in an auto-regressive manner. To mitigate the computational burden of dataset generation, a transfer learning strategy was explored, leveraging low-fidelity simulations to improve performance on high-fidelity datasets. These results showed that FNOs effectively captured initial plasma evolution, including blob movement and density source localization for JOREK and STORM, respectively. However, long rollouts accumulated errors and exhibited sensitivity to certain physical phenomena, leading to non-monotonic error spikes. Transfer learning significantly reduced errors for small dataset sizes and short rollouts, achieving an order-of-magnitude reduction when transferring from low- to high-fidelity datasets. However, its effectiveness diminished with longer rollouts and larger dataset sizes, especially when applied to datasets with significantly different dynamics. Attempts to transfer models to previously unseen variables in simulations were unsuccessful, underscoring the limitations of transfer learning in this context. These findings demonstrate the promise of neural operators for accelerating fusion-relevant PDE simulations. However, they also highlight key challenges: improving long-term accuracy to mitigate error accumulation, capturing critical physical behaviors, and developing robust surrogates that effectively leverage multi-fidelity, multi-physics datasets.
シミュレーションに基づくプラズマシナリオ開発は、次世代トカマクおよび核融合発電所の設計において重要な役割を果たす。しかしながら、スクレイプオフ層乱流や周辺局在モード（ELM）などの過渡的MHD事象の高忠実度シミュレーションを高度に反復的なアプリケーションに含めることは、計算的に依然として困難であり、設計および制御ワークフローでの使用を制限している。これらの現象は、プラズマ対向機器への熱流束を支配し、炉性能と材料寿命に影響を与えるため、その理解は不可欠である。本研究では、JOREK MHDコードおよびSTORM乱流コードからのプラズマシミュレーションを高速化するためのサロゲートモデルとして、フーリエニューラル演算子（FNO）を調査した。FNOは単一ステップのロールアウトで訓練され、自己回帰方式での長期予測精度の観点から評価された。データセット生成の計算負荷を軽減するために、転移学習戦略が探索され、低忠実度シミュレーションを活用して高忠実度データセットでの性能を向上させた。これらの結果は、FNOが初期プラズマ進化を効果的に捉えたことを示した。具体的には、JOREKではブロブ運動、STORMでは密度源の局在化を含む。しかしながら、長いロールアウトは誤差を蓄積し、特定の物理現象に対する感度を示し、非単調な誤差スパイクを引き起こした。転移学習は、小さいデータセットサイズおよび短いロールアウトに対して誤差を大幅に低減し、低忠実度から高忠実度データセットへの転移では一桁の誤差低減を達成した。しかしながら、その有効性は、より長いロールアウトおよびより大きなデータセットサイズでは低下し、特に有意に異なるダイナミクスを持つデータセットに適用した場合に低下した。シミュレーション内の未学習の変数へのモデル転移の試みは成功せず、この文脈における転移学習の限界を浮き彫りにした。これらの発見は、核融合関連のPDEシミュレーションを高速化するためのニューラル演算子の有望性を示している。しかしながら、それらはまた重要な課題を浮き彫りにしている：誤差蓄積を軽減するための長期精度の向上、重要な物理的挙動の捕捉、そして多忠実度・多物理データセットを効果的に活用する堅牢なサロゲートの開発である。