EAST 토카막 장치 내 텅스텐 모노블록 다이버터의 온도장 재구성: 물리 기반 신경 연산자 트랜스포머 활용

Temperature Field Reconstruction of Tungsten Monoblock Divertor on EAST using Physics-aware Neural Operator Transformer

다이버터 온도장의 정확한 모델링은 재료의 용융 및 손상을 방지하고 핵융합 장치의 수명을 연장하는 데 필수적입니다. 그러나 유한 요소법(FEM)과 같은 기존의 수치 해석 방법은 계산 비용이 많이 들기 때문에 실시간 응용 분야에는 적합하지 않습니다. 따라서 다이버터 온도장을 실시간으로 재구성하고 이후 실시간 제어를 수행하기 위한 빠르고 일반화 가능한 방법이 필요합니다. 이러한 문제점을 해결하기 위해, 우리는 다이버터 온도장의 시공간적 변화를 특성화하는 물리 기반 신경 연산자 트랜스포머(PNOT)를 제안합니다. 이 모델은 경계에서의 열 유동 관계를 구조화된 그래프로 표현하고, 그래프 어텐션을 사용하여 공간적인 물리적 의존성을 명시적으로 포착합니다. 또한, 물리 기반 어텐션에 영감을 받아, 쿼리 포인트들을 슬라이싱을 통해 유사한 물리적 조건으로 그룹화하여 집계하고 열 확산을 모델링하는 물리 기반 신경 연산자 모듈을 개발했습니다. 더욱이, 그래디언트 제약 소보레프 정규화 손실은 함수 값과 그 도함수 간의 일관성을 유지하도록 합니다. 실험 결과는 이러한 물리적 제약 조건이 예측 정확도를 향상시키면서도 물리적 일관성을 유지하는 것을 보여줍니다. 본 논문의 소스 코드는 https://github.com/Event-AHU/OpenFusion 에서 공개될 예정입니다.

Accurate modeling of the divertor temperature field is essential for preventing material melting and damage and for extending the service life of fusion devices. However, conventional numerical methods, such as the Finite Element Method (FEM), are computationally expensive and therefore unsuitable for real-time applications. Therefore, a fast and generalizable method is required for real-time reconstruction of the divertor temperature field and subsequent real-time control. To address the above issue, we propose a Physics-aware Neural Operator Transformer (PNOT) to characterize the spatiotemporal evolution of the divertor temperature field. It models boundary heat-flux relations as a structured graph and employs graph attention to explicitly capture spatial physical dependencies. Inspired by physics-aware attention, we further develop a physics-aware neural operator module to aggregate query points with similar physical conditions via slicing and model heat diffusion, while a gradient-constrained Sobolev regularization loss enforces consistency between function values and their derivatives. Experimental results show that these physical constraints improve prediction accuracy while preserving physical consistency. The source code of this paper will be released on https://github.com/Event-AHU/OpenFusion