A data-driven electron thermal transport neural network (ETT-NN) model, trained on TRANSP interpretative analysis results of National Spherical Torus Experiment (NSTX), was developed to enable faster and more accurate ETT computation for spherical tokamaks (STs). The model incorporates both convolutional NNs and recurrent NNs, allowing it to simultaneously account for the spatial and temporal non-localities and multi-scale features of turbulent transport, which have been considered only in a limited manner in conventional models. The model was validated through interpretative analysis and predictive simulations using Tokamak Reactor Integrated Automated Suite for Simulation and Computation, demonstrating relatively high accuracy. Additionally, parameter scans were performed on test discharges known to exhibit specific turbulent modes, such as microtearing mode, trapped electron mode, kinetic ballooning mode, and electron temperature gradient mode. The scanning results revealed that the ETT-NN model exhibits the same trends as those observed in conventional gyrokinetic simulations or theories, while also capturing the global nature of turbulent transport, indicating that the data-driven model accurately reflects the underlying physical characteristics. Furthermore, due to the dimensionless nature of the model, we can feasibly expand its applicability by incorporating data from other devices and uncovering the characteristics of ETT in STs in the future.
National Spherical Torus Experiment (NSTX) のTRANSP解釈解析結果に基づいて訓練されたデータ駆動型電子熱輸送ニューラルネットワーク（ETT-NN）モデルは、球状トカマク（ST）におけるETT計算をより高速かつ高精度にするために開発された。このモデルは畳み込みNNと再帰型NNの両方を組み込んでおり、従来のモデルでは限定的にしか考慮されていない乱流輸送の空間的・時間的非局所性とマルチスケール特性を同時に説明することを可能にする。モデルは、Tokamak Reactor Integrated Automated Suite for Simulation and Computationを用いた解釈解析と予測シミュレーションによって検証され、比較的高い精度を示した。さらに、マイクロティアリングモード、捕捉電子モード、運動論的バルーニングモード、電子温度勾配モードなどの特定の乱流モードを示すことが知られているテスト放電に対してパラメータスキャンが実施された。スキャン結果は、ETT-NNモデルが従来のジャイロ運動論的シミュレーションや理論で観察されるものと同じ傾向を示しつつ、乱流輸送の大域的性質も捉えていることを明らかにし、データ駆動モデルが基礎となる物理的特性を正確に反映していることを示している。さらに、このモデルは無次元性を有するため、他の装置からのデータを組み込み、将来的にSTにおけるETTの特性を解明することにより、その適用性を拡張することが可能である。