Predicting plasma evolution within a Tokamak reactor is crucial to realizing the goal of sustainable fusion. Capabilities in forecasting the spatio-temporal evolution of plasma rapidly and accurately allow us to quickly iterate over design and control strategies on current Tokamak devices and future reactors. Modelling plasma evolution using numerical solvers is often expensive, consuming many hours on supercomputers, and hence, we need alternative inexpensive surrogate models. We demonstrate accurate predictions of plasma evolution both in simulation and experimental domains using deep learning-based surrogate modelling tools, viz., Fourier neural operators (FNO). We show that FNO has a speedup of six orders of magnitude over traditional solvers in predicting the plasma dynamics simulated from magnetohydrodynamic models, while maintaining a high accuracy (Mean Squared Error in the normalised domain ). Our modified version of the FNO is capable of solving multi-variable Partial Differential Equations, and can capture the dependence among the different variables in a single model. FNOs can also predict plasma evolution on real-world experimental data observed by the cameras positioned within the MAST Tokamak, i.e. cameras looking across the central solenoid and the divertor in the Tokamak. We show that FNOs are able to accurately forecast the evolution of plasma and have the potential to be deployed for real-time monitoring. We also illustrate their capability in forecasting the plasma shape, the locations of interactions of the plasma with the central solenoid and the divertor for the full (available) duration of the plasma shot within MAST. The FNO offers a viable alternative for surrogate modelling as it is quick to train and infer, and requires fewer data points, while being able to do zero-shot super-resolution and getting high-fidelity solutions.
トカマク炉内のプラズマ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極めて重要である。プラズマの時空間進化を迅速かつ正確に予測する能力により、現在のトカマク装置および将来の炉における設計戦略と制御戦略を素早く反復検討することが可能になる。数値ソルバーを用いたプラズマ進化のモデリングは、スーパーコンピュータ上で多くの時間を消費し、しばしば高コストであるため、安価な代替サロゲートモデルが必要とされる。我々は、深層学習ベースのサロゲートモデリングツール、すなわちフーリエニューラルオペレーター（FNO）を用いて、シミュレーション領域と実験領域の両方においてプラズマ進化の正確な予測を実証する。FNOは、磁気流体力学モデルからシミュレートされたプラズマ力学の予測において、従来のソルバーよりも6桁の高速化を達成しつつ、高い精度（正規化領域における平均二乗誤差）を維持することを示す。我々の改良版FNOは、多変数偏微分方程式を解くことができ、単一のモデル内で異なる変数間の依存関係を捕捉できる。FNOはまた、MASTトカマク内に設置されたカメラ、すなわちトカマク内の中央ソレノイドとダイバータを見渡すカメラによって観測された実世界の実験データにおいても、プラズマ進化を予測できる。FNOがプラズマの進化を正確に予測でき、リアルタイム監視に展開される可能性を有することを示す。また、MAST内のプラズマショットの全（利用可能な）期間にわたって、プラズマ形状、プラズマと中央ソレノイドおよびダイバータとの相互作用位置を予測する能力も示す。FNOは、訓練と推論が迅速で、必要なデータ点数が少なく、ゼロショット超解像と高忠実度解の取得が可能であるため、サロゲートモデリングの有力な代替手段を提供する。