Metody návrhu experimentů pro tvorbu zjednodušeného modelu okraje plasmatu

Abstract

Mnoho fyzikálních jevů v různých aplikacích lze spočítat pomocí zákonů fyziky. Takové výpočty mohou ale být výpočetně drahé. Vysoké nároky na výpočetní sílu jsou limitující například při optimalizaci fyzikálního procesu, který je nutné mnohokrát evaluovat. Cílem této práce je najít náhradní model aproximující komplexní numerický program vyžadující co nejmenší počet evaluací. Hlavním nástrojem použitým pro trénování modelu je aktivní učení ve formě Bayesovské optimalizace. V prvních kapitolách práce jsou představeny některé z často používaných náhradních modelů a metod pro návrh experimentů. Poté je představeno modelování okraje plasmatu jako příklad praktického využití náhradních modelů. Výsledkem práce je porovnání vybraných metod na modelování ztráty hybnosti plasmatu v tokamaku.

Many physical phenomena in various applications can be computed using the laws of physics. However, these calculations can be computationally expensive. High computational demands are limiting for example when optimizing a physical process and it is needed to be evaluated many times. The goal of this thesis is to find a surrogate model approximating a complex numerical program requiring the least possible amount of evaluations. The main tool used to train the model is active learning in the form of Bayesian optimization. In the first chapters of the thesis, some of the commonly used surrogate models and experiment design methods are introduced. Afterward, plasma boundary modeling is presented as an example of a practical application of surrogate modeling. The result of the thesis is a comparison of selected methods on modeling of plasma momentum loss in tokamak.