The neural network model, MISHKA-NN is developed to mitigate the computational burden associated with the linear ideal magnetohydrodynamic (MHD) stability analysis of the pedestal based on the peeling–ballooning (P–B) model. By utilizing both 1D plasma profiles (current density, pressure gradient, and safety factor) and 0D parameters (plasma geometry, total current, and toroidal mode number), the model predicts linear growth rate of edge-localized ideal MHD instability in a given equilibrium state. By enabling the prediction of each instability within a second, the model reduces the time required for plotting a pedestal P–B stability diagram ( diagram) from approximately 100 CPU hours to a few CPU minutes. Notably, even with the utilization of parametric pressure and current profiles and plasma boundary shapes for the training dataset, the model shows a satisfactory level of performance in benchmarking the diagram for the reconstructed equilibrium from a KSTAR tokamak experiment. We anticipate the model to serve as a versatile alternative to 2D linear MHD stability codes, alleviating numerical costs.
ニューラルネットワークモデルであるMISHKA-NNは、ペデスタルのピーリング・バルーニング（P–B）モデルに基づく線形理想磁気流体力学（MHD）安定性解析に伴う計算負荷を軽減するために開発された。1Dプラズマ分布（電流密度、圧力勾配、安全係数）と0Dパラメータ（プラズマ幾何形状、全電流、トロイダルモード数）の両方を利用することにより、モデルは与えられた平衡状態における周辺局在理想MHD不安定性の線形成長率を予測する。各不安定性を1秒以内で予測することを可能にすることで、モデルはペデスタルP–B安定性図（ diagram）を描くために必要な時間を、約100 CPU時間から数CPU分に短縮する。注目すべきことに、トレーニングデータセットにパラメトリックな圧力・電流分布とプラズマ境界形状を用いた場合でも、モデルはKSTARトカマク実験から再構築された平衡に対する diagram のベンチマークにおいて満足のいく性能を示す。我々は、このモデルが2次元線形MHD安定性コードの汎用的な代替手段として機能し、数値計算コストを軽減することを期待する。