GPECnet is a densely connected neural network that has been trained on GPEC data, to predict the plasma stability, neoclassical toroidal viscosity (NTV) torque, and optimized 3D coil current distributions for desired NTV torque profiles. Using NTV torque, driven by non-axisymmetric field perturbations in a tokamak, can be vital in optimizing pedestal performance by controlling the rotation profile in both the core, to ensure tearing stability, and the edge, to avoid edge localized modes (ELMs). The generalized perturbed equilibrium code (GPEC) software package can be used to calculate the plasma stability to 3D perturbations and the NTV torque profile generated by applied 3D magnetic fields. These calculations, however, involve complex integrations over space and energy distributions, which takes time to compute. Initially, GPECnet has been trained solely on data representative of the quiescent H-mode (QH) scenario, in which neutral beams are often balanced and toroidal rotation is low across the plasma profile. This work provides the foundation for active control of the rotation shear using a combination of beams and 3D fields for robust and high performance QH mode operation.
GPECnetは、GPECデータに基づいて訓練された高密度結合ニューラルネットワークであり、プラズマの安定性、新古典トロイダル粘性（NTV）トルク、および所望のNTVトルクプロファイルに対する最適化された3Dコイル電流を予測するために用いられる。トカマクにおける非軸対称摂動場によって駆動されるNTVトルクを利用することは、コア部での回転プロファイルを制御してティアリング安定性を確保し、エッジ部での回転プロファイルを制御してエッジ局在モード（ELM）を回避することにより、ペデスタル性能を最適化する上で極めて重要となり得る。一般化摂動平衡コード（GPEC）ソフトウェアパッケージは、3D摂動に対するプラズマ安定性と、印加された3D磁場によって生成されるNTVトルクプロファイルを計算するために使用できる。しかしながら、これらの計算は空間分布およびエネルギー分布にわたる複雑な積分を伴うため、計算に時間を要する。当初、GPECnetは、中性粒子ビームがしばしばバランスしており、トロイダル回転がプラズマプロファイル全体にわたって低い、静穏Hモード（QHモード）シナリオを代表するデータのみに基づいて訓練された。本研究は、堅牢かつ高性能なQHモード運転を実現するために、ビームと3D磁場を組み合わせた回転シアの能動制御のための基盤を提供するものである。