The neoclassical toroidal viscosity (NTV) torque is a critical driver of toroidal rotation in tokamaks, profoundly influencing plasma stability and performance. Although incorporating NTV effects is essential for integrated modeling, the high computational cost of NTV modeling has limited such self-consistent integration. This bottleneck arises because NTV calculation requires solving its governing equation—the drift kinetic equation (DKE)—in high-dimensional phase space. To address this issue, this study develops DKEKAN, a single-parameterized Kolmogorov–Arnold Network (SKAN) surrogate for solving DKE, to realize fast NTV modeling in tokamaks. With its physics-grouped expert layer and SKAN backbone, DKEKAN outperforms the tested multilayer perceptron, KAN, and neural-operator baselines in overall prediction accuracy, while reducing the standalone DKE-solving time from 35.85 s to 3.72 s, corresponding to a speedup of approximately , and reducing the total coupled NTVTOK runtime from 38.24 s to 5.58 s, corresponding to an overall speedup of approximately . This work effectively overcomes the computational bottleneck in NTV simulations, thus supporting further integrated modeling that incorporates NTV effects.
新古典トロイダル粘性（NTV）トルクは、トカマクにおけるトロイダル回転の重要な駆動源であり、プラズマの安定性と性能に深く影響を与える。NTV効果を統合モデリングに組み込むことは不可欠であるが、NTVモデリングの高い計算コストがそのような自己無撞着な統合を制限してきた。このボトルネックは、NTV計算がその支配方程式であるドリフト運動論方程式（DKE）を高次元位相空間で解くことを必要とするために生じる。この問題に対処するため、本研究では、トカマクにおける高速NTVモデリングを実現するために、DKEを解くための単一パラメータ化されたコルモゴロフ–アーノルドネットワーク（SKAN）サロゲートであるDKEKANを開発する。物理グループ化されたエキスパート層とSKANバックボーンにより、DKEKANは、テストされた多層パーセプトロン、KAN、およびニューラルオペレータベースラインを全体的な予測精度で上回り、DKE単独の求解時間を 35.85 s から 3.72 s へ削減し、約 の高速化に相当し、また、結合NTVTOKの総実行時間を 38.24 s から 5.58 s へ削減し、約 の全体的な高速化に相当する。この研究は、NTVシミュレーションにおける計算上のボトルネックを効果的に克服し、NTV効果を組み込んださらなる統合モデリングを支援する。