A review is given on the highlights of a scatter-shot approach of developing machine-learning methods and artificial neural networks based fast predictors for the application to fusion exhaust. The aim is to enable and facilitate optimized and improved modeling allowing more flexible integration of physics models in the light of extrapolations towards future fusion devices. The project encompasses various research objectives: (a) developments of surrogate model predictors for power & particle exhaust in fusion power plants; (b) assessments of surrogate models for time-dependent phenomena in the plasma-edge; (c) feasibility studies of micro–macro model discovery for plasma-facing components surface morphology & durability; and (d) enhancements of pedestal models & databases through interpolators and generators exploiting uncertainty quantification. Presented results demonstrate useful applications for machine-learning and artificial intelligence in fusion exhaust modeling schemes, enabling an unprecedented combination of both fast and accurate simulation.
核融合排気への応用を目的とした、機械学習手法および人工ニューラルネットワークに基づく高速予測子を開発するスキャッターショット的アプローチのハイライトについてレビューする。その目的は、将来の核融合装置への外挿を見据えて、物理モデルのより柔軟な統合を可能にする、最適化および改善されたモデリングの実現と促進である。本プロジェクトは、以下のさまざまな研究目的を含む：(a) 核融合発電所におけるパワーおよび粒子排気のためのサロゲートモデル予測子の開発；(b) プラズマ端部における時間依存現象に対するサロゲートモデルの評価；(c) プラズマ対向機器の表面形態および耐久性に関するミクロ–マクロモデル発見の実現可能性調査；(d) 不確実性定量化を利用した補間器および生成器によるペデスタルモデルとデータベースの拡張。提示された結果は、核融合排気モデリングスキームにおける機械学習および人工知能の有用な応用を示しており、高速かつ高精度なシミミュレーションの前例のない組み合わせを可能にする。