Coil optimizer для Coilstellaration
катушки для стелларатора в три стадии
2 мин чтенияобновлено
ONNX-граф решает практическую задачу: по границе плазмы и четырём инженерным целям подбирает набор катушек для стелларатора — термоядерной установки. Сначала встроенная нейросетевая модель из proxima-fusion/coilstellaration-models (MIT) даёт первое приближение, затем 16 шагов Levenberg-Marquardt уточняют фурье-коэффициенты и токи пяти катушек. Работает для трека fixed_shape: три периода поля и пять катушек на полупериод. На выходе — координаты катушек в виде коэффициентов Фурье [5, 15] и токи [5] в амперах. Полезно тем, кто считает катушки в Coilstellaration benchmark или хочет быстро получить кандидата под заданные ограничения.
Ключевые особенности
- Сначала работает встроенный per-coil ensemble из proxima-fusion/coilstellaration-models — он даёт первое приближение.
- Затем 16 шагов Levenberg-Marquardt уточняют фурье-коэффициенты и токи пяти катушек.
- Ограничения учитываются как штрафы: минимальные расстояния между катушками и до плазмы, максимальная кривизна.
- Финальная проверка идёт на более мелких сетках; при удачном раскладе могут вернуться planar circles.
- Интерфейс — ONNX: входы boundary_r_cos, boundary_z_sin [5, 9], requirement_metrics [4], n_field_periods и n_coils_per_half_period.
Что можно сделать
- Запускать ONNX-граф через onnxruntime и получать набор катушек и токи для заданной границы плазмы.
- Встраивать в пайплайн Coilstellaration benchmark для быстрой проверки кандидатов на треке fixed_shape.
- Сравнивать оптимизированный набор с planar circles: граф сам выбирает, что лучше проходит четыре цели.
- Воспроизводить стадии оптимизации по lm.py и менять настройки под свои эксперименты.
Пример
import numpy as np, onnxruntime as ort
from huggingface_hub import hf_hub_download
session = ort.InferenceSession(hf_hub_download("phanerozoic/coilstellaration-coil-optimizer", "model.onnx"))
r_cos = np.zeros((5, 9), np.float32); z_sin = np.zeros((5, 9), np.float32)
r_cos[0, 4], r_cos[1, 4], z_sin[1, 4] = 1.0, 0.15, 0.15
outs = session.run(["coil_x_n", "coil_y_n", "coil_z_n", "currents"], {"boundary_r_cos": r_cos, "boundary_z_sin": z_sin, "requirement_metrics": np.array([0.4, 0.8, 3.0, 0.05], np.float32), "n_field_periods": np.asarray(3, np.int64), "n_coils_per_half_period": np.asarray(5, np.int64)})
Подробнее
Вход: boundary_r_cos и boundary_z_sin [5, 9], requirement_metrics [4], n_field_periods = 3 и n_coils_per_half_period = 5.Выход: coil_x_n, coil_y_n, coil_z_n [5, 15] (Fourier order 7) и currents [5] в амперах.
Поддерживаемый трек — fixed_shape; встроенная модель — MIT.
Ограничение: граф заточен под этот трек и фиксированные 3/5, это не универсальный оптимизатор.
Настройки выбирали на одной двадцатой тренировочных границ.










Комментарии