Managing divertor plasmas is crucial for operating reactor scale tokamak devices due to heat and particle flux constraints on the divertor target. Simulation is an important tool to understand and control these plasmas, however, for real-time applications or exhaustive parameter scans only simple approximations are currently fast enough. We address this lack of fast simulators using neural partial differential equation (PDE) surrogates, data-driven neural network-based surrogate models trained using solutions generated with a classical numerical method. The surrogate approximates a time-stepping operator that evolves the full spatial solution of a reference physics-based model over time. We use DIV1D, a 1D dynamic model of the divertor plasma, as reference model to generate data. DIV1D's domain covers a 1D heat flux tube from the X-point (upstream) to the target. We simulate a realistic TCV divertor plasma with dynamics induced by upstream density ramps and provide an exploratory outlook towards fast transients. State-of-the-art neural PDE surrogates are evaluated in a common framework and extended for properties of the DIV1D data. We evaluate (1) the speed-accuracy trade-off; (2) recreating non-linear behavior; (3) data efficiency; and (4) parameter inter- and extrapolation. Once trained, neural PDE surrogates can faithfully approximate DIV1D's divertor plasma dynamics at sub real-time computation speeds: In the proposed configuration, ms of plasma dynamics can be computed in ms of wall-clock time, several orders of magnitude faster than DIV1D.
ダイバータプラズマの管理は、ダイバータターゲットへの熱および粒子束の制約により、炉規模トカマク装置の運転にとって極めて重要である。シミュレーションはこれらのプラズマを理解し制御するための重要なツールであるが、リアルタイム応用や網羅的なパラメータスキャンには、現在のところ単純な近似のみが十分な速度を持つ。我々は、古典的な数値手法で生成された解を用いて訓練されるデータ駆動型ニューラルネットワークベースのサロゲートモデルであるニューラル偏微分方程式（PDE）サロゲートを用いて、この高速シミュレータの欠如に対処する。サロゲートは、参照となる物理ベースモデルの完全な空間解を時間発展させる時間ステッピング演算子を近似する。データ生成の参照モデルとして、ダイバータプラズマの1次元動的モデルであるDIV1Dを用いる。DIV1Dの領域は、X点（上流）からターゲットまでの1次元熱流束チューブを覆う。我々は、上流密度ランプによって誘起される動力学を持つ現実的なTCVダイバータプラズマをシミュレートし、高速過渡現象への探索的見通しを提供する。最先端のニューラルPDEサロゲートを共通の枠組みで評価し、DIV1Dデータの特性に合わせて拡張する。我々は、(1)速度と精度のトレードオフ、(2)非線形挙動の再現、(3)データ効率、(4)パラメータの内挿と外挿を評価する。訓練されると、ニューラルPDEサロゲートは、リアルタイム未満の計算速度でDIV1Dのダイバータプラズマ動力学を忠実に近似できる。提案された構成では、 msのプラズマ動力学を msのウォールクロック時間で計算でき、DIV1Dよりも数桁高速である。