We present fast and accurate surrogate models that predict ion cyclotron resonance heating (ICRH) of a hydrogen minority in deuterium plasmas at ASDEX Upgrade (AUG) that can be used in fast transport modeling. Especially for medium-sized tokamaks with high power densities, such as AUG and SPARC, reliable ICRH modeling with full-wave codes like TORIC requires the coupling of a Fokker–Planck (FP) solver like SSFPQL, which is indispensable to account for the formation of a high-energy ion tail that can drastically alter the absorption behavior. For the first time, our surrogates reproduce the simulations provided by a coupled full-wave code TORIC, combined with a FP solver SSFPQL, demonstrating quantitative agreement not only on synthetic data but also on real AUG discharges that were entirely unseen during training. The models, implemented as feed-forward neural networks, capture collisional heating profiles for electrons and deuterium generated by the TORIC-SSFPQL codes, and reduce inference times from minutes to the order of s. To this end, we developed a complete machine learning pipeline that includes volumetric weighting of the radial heating profiles to emphasize physically relevant plasma regions during training. Finally, we integrate our Python-trained models into a C++ and Fortran-compatible Open Neural Network Exchange framework, demonstrating their suitability for cross-platform, real-time deployment in integrated modeling workflows.
我々は、高速輸送モデリングで使用できる、ASDEX Upgrade(AUG)における重水素プラズマ中の水素マイノリティのイオンサイクロトロン共鳴加熱(ICRH)を予測する高速かつ正確なサロゲートモデルを提示する。特に、AUGやSPARCのような高パワー密度を持つ中型トカマクでは、TORICのような全波動コードを用いた信頼性の高いICRHモデリングには、SSFPQLのようなフォッカー・プランク(FP)ソルバーの結合が必要であり、その結合は吸収挙動を大幅に変化させ得る高エネルギーイオンテールの形成を説明するために不可欠である。初めて、我々のサロゲートは、FPソルバーSSFPQLと組み合わせた結合全波動コードTORICによって提供されるシミュレーションを再現し、トレーニング中には完全に見られなかった実際のAUG放電だけでなく合成データにおいても定量的一致を示す。フィードフォワードニューラルネットワークとして実装されたモデルは、TORIC-SSFPQLコードによって生成された電子および重水素の衝突加熱プロファイルを捕捉し、推論時間を数分からsのオーダーに短縮する。この目的のために、我々は、トレーニング中に物理的に関連するプラズマ領域を強調するために径方向加熱プロファイルの体積重み付けを含む、完全な機械学習パイプラインを開発した。最後に、Pythonでトレーニングしたモデルを、C++およびFortran互換のOpen Neural Network Exchangeフレームワークに統合し、統合モデリングワークフローにおけるクロスプラットフォームでのリアルタイム展開への適合性を示す。