Physics-informed Neural Operator Learning for Nonlinear Grad-Shafranov Equation

Motivation

• Known: PINNs와 neural operator(예: FNO, DeepONet, PINO) 등 physics-informed learning 및 operator learning 기법들이 PDE 대리모델(surrogate) 구축에 활용되어 왔으며, Transolver, ONO 같은 아키텍처가 표현력과 일반화 성능을 개선해왔다. GSE에 대한 기존 신경망 기반 solver들은 주로 IID 정확도나 단순/선형 profile, 단일 문제 세팅에 초점을 맞춰왔다.
• Gap: 기존 연구들은 architecture 선택, training paradigm, 그리고 강한 비선형·다중 파라미터 분포 이동(distribution shift) 하에서의 OOD 실패 메커니즘을 체계적으로 연결하지 못했다. 특히 data-only 대리모델은 심각한 OOD tail을 보이고, physics-only 학습은 잘못된 solution branch로 수렴할 수 있다는 상호보완적 실패 모드가 규명되지 않았다.
• Why: GSE 해석은 tokamak 평형 재구성, 제어, 설계의 핵심 계산 병목이며, 안전이 중요한 fusion 운영 환경에서 AI 대리모델이 sim-to-real gap을 넘어 분포 이동 상황에서도 물리적으로 신뢰할 수 있게 일반화되어야 실시간 제어에 실용적으로 적용될 수 있다.
• Approach: Green-function 관점에서 fixed-boundary GSE의 global elliptic coupling과 nonlinear source response를 포착하도록 설계한 physics-motivated Transformer-KAN Neural Operator(TKNO)를 data anchor와 PDE residual constraint를 결합한 physics-anchored 방식으로 학습시켜, multi-parameter distribution shift 하에서의 강건성을 분석한다.

Achievement

Figure 5. Mechanism diagnostics on joint-pool OOD slices. (a)

1. Training-paradigm 분석: Data-only, Physics-only, Physics-anchored 학습 방식을 IID 및 multi-parameter OOD 조건에서 비교하여 상호보완적 실패 모드(OOD tail vs. 잘못된 solution branch 수렴)를 규명하였다.
2. Physics-motivated architecture(TKNO) 검증: Galerkin Transformer trunk와 KAN regressor를 결합한 TKNO가 controlled comparison에서 최강 backbone임을 확인, IID L2(ψ) 오차 mean 0.25%, max 0.42%를 달성하였다.
3. Physics-anchored tail-risk 완화: data anchor와 PDE constraint 결합이 shape-driven 및 joint shift에서 severe-error tail을 감소시켜 joint-OOD p99 오차를 53.7%에서 44.1%로 낮췄으며, mechanism diagnostics로 data anchor는 branch-scale mismatch를, PDE residual은 high-frequency error amplification을 각각 억제함을 보였다.
4. 실제 장치(EXL-50U) 검증: EXL-50U discharge 입력에 대해 장치의 operational equilibrium solver와 RMSE 1.27%, R2 = 99.78%, axis error 5.8 mm의 근접한 일치를 보이면서 millisecond-level inference를 달성, 실험 설계를 위한 실시간 참조로 배치되었다.

How

Figure 4. Challenging large-extrapolation joint-OOD cases. Red

• GSE를 R0, a, κ, δ(shape), Ip, β0(global), np, mp, nf, mf(profile)의 10차원 파라미터 벡터 ξ로 파라미터화하고, fixed-boundary 조건(ψ=0 on boundary)에서 solution operator G⋆: Ξ → U를 학습.
• data anchor(sparse labeled data)와 PDE residual loss를 결합한 physics-anchored training paradigm 설계.
• TKNO 아키텍처: Galerkin Transformer trunk로 global elliptic mixing 포착, KAN regressor로 nonlinear source(Jϕ(ψ)) 응답을 adaptive하게 회귀.
• Data-only, Physics-only, Physics-anchored 세 가지 paradigm과 다양한 backbone architecture를 controlled comparison으로 비교.
• shape-driven shift, joint(다중 파라미터) shift 등 multi-parameter distribution shift 시나리오를 구성해 OOD 평가 및 mechanism diagnostics(branch-scale failure, high-frequency error amplification) 수행.
• EXL-50U 실제 discharge 데이터를 이용해 장치의 operational equilibrium solver 대비 검증.

Originality

• PDE residual과 data anchor의 역할을 단순 결합이 아니라 mechanism 수준(branch-scale mismatch vs. high-frequency error amplification)에서 분리하여 진단한 최초의 체계적 분석.
• Green-function 관점에서 GSE의 global elliptic coupling과 nonlinear source response를 각각 담당하도록 Transformer와 KAN을 결합한 물리 동기 부여된 TKNO 아키텍처 제안.
• 기존 GSE 신경망 solver들이 다루지 않았던 nonlinear profile, fixed boundary, OOD 평가, paradigm 비교, architecture 비교를 모두 아우르는 최초의 종합적 벤치마크(Table 1) 제시.
• 실제 운영 중인 tokamak 장치(EXL-50U)의 operational solver와 직접 비교하여 실전 배치 가능성을 입증.

Limitation & Further Study

• fixed-boundary 설정에 국한되어 있으며 free-boundary(자유 경계) 문제로의 일반화는 다루지 않음(Wang et al. 2024는 free boundary를 다뤘으나 본 연구는 fixed boundary만 고려).
• GAQ 모델 기반 profile parameterization에 한정되어 있어 더 다양한 실제 profile family에 대한 일반화 검증이 필요.
• test-time fine-tuning이 아닌 zero-shot robustness에 초점을 맞췄으나, 이는 잠재적으로 더 큰 분포 이동에 대한 강건성 한계를 내포할 수 있음.
• p99 tail error가 여전히 44.1%로 상당히 높아, 극단적 OOD 상황에서는 추가적인 개선이 필요.
• 후속 연구로는 free-boundary 문제로의 확장, 더 다양한 device 및 profile family에 대한 검증, 그리고 tail error를 더욱 낮추기 위한 architecture/training 기법 개선이 필요.

Evaluation

총평: 비선형 GSE에 대한 physics-anchored operator learning을 통해 data-only와 physics-only 학습의 상호보완적 실패 모드를 규명하고 실제 장치 데이터로 검증한 실용적이고 완성도 높은 연구이나, fixed-boundary 및 특정 profile family에 국한된 한계가 있다.