The accurate identification and control of plasma instabilities is important for successful fusion experiments. First-principle simulations that can provide physics-based instability information such as the mode structure are generally not fast enough for real-time applications. In this work, a workflow has been presented to develop deep-learning based surrogate models for the first-principle simulations using the gyrokinetic toroidal code (GTC). The trained surrogate models of GTC (SGTC) can be used as physics-based fast instability simulators that run on the order of milliseconds, which fits the requirement of the real-time plasma control system. We demonstrate the feasibility of this workflow by first creating a big database from GTC systematic linear global electromagnetic simulations of the current-driven kink instabilities in DIII-D plasmas, and then developing SGTC linear internal kink instability simulators through supervised training. SGTC linear internal kink simulators demonstrate predictive capabilities for the mode instability properties including the growth rate and mode structure.
プラズマ不安定性の正確な同定と制御は、核融合実験の成功にとって重要である。モード構造などの物理に基づく不安定性情報を提供できる第一原理シミュレーションは、一般にリアルタイム応用には十分な速度ではない。本研究では、ジャイロ運動論的トロイダルコード（GTC）を用いた第一原理シミュレーションのための深層学習ベースの代理モデルを開発するワークフローを提示した。訓練されたGTCの代理モデル（SGTC）は、ミリ秒オーダーで動作する物理に基づく高速不安定性シミュレータとして使用でき、リアルタイムプラズマ制御システムの要件を満たす。我々は、DIII-Dプラズマにおける電流駆動キンク不安定性のGTC系統的線形大域的電磁シミュレーションから大規模データベースをまず作成し、その後、教師あり学習を通じてSGTC線形内部キンク不安定性シミュレータを開発することにより、このワークフローの実現可能性を実証する。SGTC線形内部キンクシミュレータは、成長率やモード構造を含むモード不安定性特性に対する予測能力を示す。