文献阅读：Self-consistent core-pedestal transport simulations with neural network accelerated models
论文相关信息[1]
- 作者：O. Meneghini, S.P. Smith, P.B. Snyder, G.M. Staebler, J. Candy, E. Belli, L. Lao, M. Kostuk, T. Luce
- 收录时间：2017-07-12
- 相关单位：General Atomics
一句话速读
为了解决托卡马克集成模拟中的速度和准确性的取舍问题，引入了神经网络模型，基于TGLF和EPED1的模拟数据，成功开发了核心的湍流输运和台基结构的替代神经网络模型，TGLF-NN与EPED1-NN。从140000CPU小时优化到1秒钟。
方法
不采用实验数据,使用TGLF和EPED1的原始数据来训练神经网络替代模型。
TGLF介绍[3]
TGLF: the new trapped gyro-Landau fluid。本征值程序：发展自GLF23，GLF23在低k表现较好，高k时添加捕获粒子效应以修正。
EPED1介绍[2]
EPED1 是EPED1.6的前身,是EPED第一次被提出。其包括两个物理过程，预测出台基的高度和宽度。
EPED1的输入是$B_T$, $I_p$, $R$, $a$, $\kappa$, $\delta$, $\text{global}\,\beta$, $n_{e, \text{ped}}$. 和EPED1.6的输入一样。
EPED1.6比EPED1最大的区别如下：
EPED1的KBM限制
$$
\Delta_{\phi_N} = 0.076\beta^{1/2}_{\text{p, ped}}
$$
EPED1.6的KBM限制
$$
\Delta_{\phi_N} = \beta^{1/2}_{\text{p, ped}} G\qty(\nu_*, \epsilon, … )
$$
TGLF-NN介绍
TGLF-NN的输入和TGLF一模一样，使用单中间层，60个神经元去拟合TGLF，这个分段本征值程序，从算法的角度来看全连接层也是矩阵的乘加，有一定的相似性。
EPED1-NN介绍
EPED1-NN和EPED的输入略有不同，多加了一个$Z_{\text{eff}, \text{ped}}$, 台基有效离子电流。另外相比TGLF，EPED1的数据生成速度较慢。
结论和问题
- , Self-consistent core-pedestal transport simulations with neural network accelerated models, IOP Publishing, Nuclear Fusion vol. 57, 2017. no. 8, 086034.
- , Development and validation of a predictive model for the pedestal height, AIP Publishing, Physics of Plasmas vol. 16, 2009. no. 5,
- , A theory-based transport model with comprehensive physics, AIP Publishing, Physics of Plasmas vol. 14, 2007. no. 5,
