Previous work built AI-based surrogates for a nonlinear gyrokinetic simulation code with the goal of using them for fast, direct calculations of turbulent ion heat flux in stellarator design optimizations and scenario planning for experiments. These AI surrogates were trained on data from 200k nonlinear, adiabatic electron gyrokinetic simulations with the gyrokinetic flux-tube code GX, using a wide range of stellarator magnetic configurations (23k), positions in the plasma, and gradient scale lengths. In this paper, we demonstrate the use of the AI-based turbulence surrogate in the optimization of stellarator magnetic equilibrium and to speed up stellarator transport solvers. Due to its speed (ms), the AI-based surrogate enables previously unattainable optimization objectives, such as full radial profiles of ion turbulent heat flux, or directly optimizing to maximize the turbulent critical gradient at multiple locations across the plasma. These direct calculations provide a potentially more accurate optimization target and reduce reliance on ad-hoc heuristics that may not accurately capture the variation of turbulent transport with magnetic configuration. By including the AI-based surrogate for turbulent heat flux in a transport solver, we can quickly postprocess and confirm the improved ion temperature resulting from the optimized equilibrium. Finally, we demonstrate the use of AI agents with strong reasoning AI models to automate the outer loop, exploring many objective and hyperparameter configurations with this AI-based turbulence surrogate to discover improved turbulence optimized magnetic equilibria.
従来の研究では、非線形ジャイロ運動論シミュレーションコードのAIベースのサロゲートを構築し、ステラレータ設計最適化や実験のシナリオ計画において、乱流イオン熱流束の高速かつ直接的な計算に利用することを目指してきた。これらのAIサロゲートは、ジャイロ運動論的フラックスチューブコードGXを用いた20万回の非線形・断熱電子ジャイロ運動論シミュレーションのデータに基づいて訓練されており、広範囲のステラレータ磁場配位（2万3千件）、プラズマ内の位置、および勾配スケール長をカバーしている。本論文では、AIベースの乱流サロゲートをステラレータ磁場平衡の最適化に活用し、ステラレータ輸送ソルバーの高速化を図ることを実証する。その速度（ミリ秒単位）により、AIベースのサロゲートは、イオン乱流熱流束の全動径プロファイルや、プラズマ全体の複数位置での乱流臨界勾配の最大化を直接目的とする最適化など、従来は達成不可能だった最適化目標を可能にする。これらの直接計算は、より正確な最適化ターゲットを提供し、磁場配位に伴う乱流輸送の変動を正確に捉えられない可能性のあるアドホックなヒューリスティクスへの依存を低減する。乱流熱流束用のAIベースのサロゲートを輸送ソルバーに組み込むことで、最適化された平衡から得られる改善されたイオン温度を迅速に後処理して確認することができる。最後に、強力な推論AIモデルを備えたAIエージェントを用いて外側ループを自動化し、このAIベースの乱流サロゲートを用いて多くの目的関数とハイパーパラメータ構成を探索し、改善された乱流最適化磁場平衡を発見することを実証する。