Model-based plasma scenario development lies at the heart of the design and operation of future fusion powerplants. Including turbulent transport in integrated models is essential for delivering a successful roadmap towards operation of ITER and the design of DEMO-class devices. Given the highly iterative nature of integrated models, fast machine-learning-based surrogates of turbulent transport are fundamental to fulfil the pressing need for faster simulations opening up pulse design, optimization, and flight simulator applications. A significant bottleneck is the generation of suitably large training datasets covering a large volume in parameter space, which can be prohibitively expensive to obtain for higher fidelity codes. In this work, we propose ADEPT (Active Deep Ensembles for Plasma Turbulence), a physics-informed, two-stage Active Learning strategy to ease this challenge. Active Learning queries a given model by means of an acquisition function that identifies regions where additional data would improve the surrogate model. We provide a benchmark study using available data from the literature for the QuaLiKiz quasilinear transport model. We demonstrate quantitatively that the physics-informed nature of the proposed workflow reduces the need to perform simulations in stable regions of the parameter space, resulting in significantly improved data efficiency compared to non-physics informed approaches which consider a regression problem over the whole domain. We show an up to a factor of 20 reduction in training dataset size needed to achieve the same performance as random sampling. We then validate the surrogates on multichannel integrated modelling of ITG-dominated JET scenarios and demonstrate that they recover the performance of QuaLiKiz to better than 10%. This matches the performance obtained in previous work, but with two orders of magnitude fewer training data points.
モデルベースのプラズマシナリオ開発は、将来の核融合発電所の設計と運転の中核をなすものである。統合モデルに乱流輸送を含めることは、ITERの運転およびDEMO級装置の設計に向けた成功するロードマップを実現するために不可欠である。統合モデルは高度に反復的な性質を持つことから、乱流輸送の高速な機械学習ベースのサロゲートモデルは、パルス設計、最適化、フライトシミュレータ応用を可能にする、より高速なシミュレーションへの差し迫ったニーズを満たすための基本となる。重要なボトルネックは、パラメータ空間の広い領域をカバーする十分に大規模な訓練データセットの生成であり、高忠実度コードにとっては、その取得が法外に高コストになり得る。本研究では、この課題を緩和するために、物理情報に基づく2段階の能動学習戦略であるADEPT（Active Deep Ensembles for Plasma Turbulence）を提案する。能動学習は、追加データがサロゲートモデルを改善する領域を特定する獲得関数を用いて、与えられたモデルにクエリを行う。我々は、QuaLiKiz準線形輸送モデルに関する文献で利用可能なデータを用いたベンチマーク研究を提供する。提案するワークフローの物理情報に基づく性質が、パラメータ空間の安定領域でシミュレーションを実行する必要性を低減し、その結果、領域全体にわたる回帰問題を考える物理情報に基づかないアプローチと比較して、データ効率を有意に改善することを定量的に示す。ランダムサンプリングと同じ性能を達成するために必要な訓練データセットサイズを最大20分の1に削減できることを示す。次に、ITG支配のJETシナリオのマルチチャンネル統合モデリングにおいてサロゲートモデルを検証し、QuaLiKizの性能を10%以内で再現することを実証する。これは、以前の研究で得られた性能に匹敵するが、訓練データ点数は2桁少ない。