The advent of machine learning (ML) has revolutionized the research of plasma confinement, offering new avenues for exploration. It enables the construction of models that effectively streamline the simulation process. While previous first-principles simulations have provided physics-based transport information, they have been inadequate fast for real-time applications or plasma control. In order to address this challenge, we introduce SExFC, a surrogate model based on the Gyro-Landau Extended Fluid Code (ExFC). An approach of physics-based database construction is detailed, as well the validity is illustrated. Through harnessing the power of ML, SExFC offers the capability to deliver rapid and precise predictions, facilitating real-time applications and enhancing plasma control. The proposed model integrates the recurrent neural network (RNN) algorithm, specifically leveraging the Gated Recurrent Unit (GRU) for iterative prediction of flux evolutions based on radial profiles. Therefore, the SExFC model has the potential to enable rapid and physics-based predictions that can be seamlessly integrated into future real-time plasma control systems.
機械学習（ML）の出現はプラズマ閉じ込めの研究に革命をもたらし、新たな探求の道を提供している。それは、シミュレーションプロセスを効果的に効率化するモデルの構築を可能にする。これまでの第一原理シミュレーションは物理に基づく輸送情報を提供してきたが、リアルタイム応用やプラズマ制御には十分な速さではなかった。この課題に対処するため、我々はジャイロ・ランダウ拡張流体コード（ExFC）に基づくサロゲートモデルであるSExFCを紹介する。物理に基づくデータベース構築の手法を詳述し、その有効性を示す。MLの力を活用することで、SExFCは迅速かつ正確な予測を提供する能力を備え、リアルタイム応用を促進し、プラズマ制御を強化する。提案モデルはリカレントニューラルネットワーク（RNN）アルゴリズムを統合し、特にゲート付き回帰ユニット（GRU）を利用して、径方向プロファイルに基づくフラックス発展の反復予測を行う。したがって、SExFCモデルは、将来のリアルタイムプラズマ制御システムにシームレスに統合できる、迅速かつ物理に基づく予測を可能にする潜在性を有する。