Чи зможуть нейромережі витіснити Grad-Shafranov-солвери з реального керування токамаком?

Токамак утримує плазму, гарячішу за ядро Сонця, всередині магнітного фляга. Стабільність цього фляга вимагає знання рівноваги плазми в реальному часі.

Звичайні солвери Grad-Shafranov знаходять рівновагу, ітеруючи нелінійне еліптичне рівняння на двовимірній сітці. Обчислення займає від мілісекунд до секунд — занадто довго для зворотного зв'язку під час розряду. Тому дослідники звернулися до штучних сурогатів, що апроксимують вихід солвера за один прямий прохід.

Проблема: швидкість проти точності

Препринт, поданий 24 серпня 2026 року, тестує п'ять архітектур за єдиним протоколом. У списку — багатоперсептрон і згорткова нейромережа. До них приєднується оператор Фур'є. Трансформер і мережа Колмогорова-Арнольда закривають п'ятірку. Усі моделі навчаються на одній числовій базі: 100 000 in-distribution зразків і 10 000 out-of-distribution зразків, згенерованих кодом Grad-Shafranov.

Точність вимірюється відносно власних розв'язків Grad-Shafranov. Сурогати дають похибку $10^-3$–$10^-2$ відносно цих розв'язків. Розбіжність Grad-Shafranov-пристрою на EXL-50U залишається на рівні $10^-3$. Отже, помилка штучного інтелекту може дорівнювати або перевищувати похибку фізичної моделі.

П'ять архітектур, один протокол

Трансформер показує найкращу in-distribution точність. CNN дає оптимальний баланс точності та стійкості, досягаючи 0,7 мс латентності з TensorRT. CNN і FNO демондують найсильнішу екстраполяційну стабільність на небачених геометріях плазми та режимах параметрів — відносна $L_2$ похибка 4–5 %. Моделі з слабшими індуктивними зміщеннями деградують значностісь.

Масштабування даних і потужності моделі покращує інтерполяцію, але не обов'язково екстраполяцію. Автори повідомляють про компроміс між потужністю та out-of-distribution узагальненням. Більші моделі краще підлаштовуються під тренувальний розподіл, однак стають більш крихкими, коли геометрія або параметри виходять за межі навчальної вибірки.

Що кажуть цифри

Пристроїва валідація на EXL-50U пов'язує числові розв'язки Grad-Shafranov з прогнозами сурогатів. Еталонний Shape Editor дає третю точку порівняння. Цей ланцюжок оцінює узгодженість симуляція-пристрій. Препринт не повідомляє, чи розгортали сурогати в живому контурі керування на EXL-50U.

Розмір бази фіксовано: 100 000 in-distribution і 10 000 out-of-distribution зразків. Автори не описують, як саме формували out-of-distribution вибірку, крім заяви про небачені геометрії та режими. Також відсутній час тренування кожної архітектури.

Латентність 0,7 мс для CNN під TensorRT — єдине число швидкості розгортання. Для інших чотирьох архітектур під тим самим двигуном інференсу цифр немає. Неясно, чи включає 0,7 мс накладні витрати на передачу даних чи лише виконання ядра.

Де закінчується бенчмарк

Автори — Guoyang Shi, Zitong Zhang, Siqi Ding, Jianguo Chen, Yapeng Zhang, Jiayi Zhi, Hanyue Zhao, Tianyuan Liu. Препринт вийшов на arXiv як версія 1 з ідентифікатором 2608.23217v1. Про прийняття журналом інформації немає.

Для інженера з термоядерної синтезу, що обирає сурогат сьогодні, поради умовні. Якщо робочий режим залишається всередині тренувального розподілу — трансформер дає найменшу похибку. CNN або FNO забезпечують стабільнішу екстраполяцію, якщо режим може зсунутися або геометрія зміниться. Якщо цикл керування вимагає субмілісекундну латентність — CNN з TensorRT вкладається в бюджет. Препринт не ранжує архітектури для конкретного дедлайну керування, крім зазначеної цифри 0,7 мс.

Робота надає системний, узгоджений з пристроєм бенчмарк для AI-передбачення Grad-Shafranov. Автори не стверджують, що бенчмарк охоплює всі класи токамаків чи всі сценарії, релевантні до розриву. Валідація на EXL-50U — демонстрація на одному пристрої.