Real-time virtual circuits for plasma shape control via neural network emulators

ملخص تقني: الدوائر الافتراضية في الوقت الفعلي للتحكم في شكل البلازما عبر محاكيات الشبكة العصبية

بيان المشكلة
يتطلب التحكم الموثوق في موضع وشكل البلازما في أجهزة التوكاماك، مثل MAST Upgrade (MAST-U)، التنظيم الدقيق لبارامترات الشكل شديدة الترابط. تستخدم أنظمة التحكم الحالية "دوائر افتراضية" (VCs)—وهي عبارة عن خرائط خطية تربط التغيرات الطفيفة في تيارات ملفات المجال البولوي (PF) بتغيرات في بارامترات شكل محددة حول توازن مرجعي من نوع "غراد-شافرانوف" (GS). تعمل هذه الدوائر الافتراضية بفعالية على فك ارتباط مشكلة التحكم، مما يسمح بالتنظيم المستقل لبارامترات مثل مواقع نقطة X (X-point) ونقاط ضرب الدايفرتور (divertor strike points).

ومع ذلك، فإن حساب الدوائر الافتراضية في الوقت الفعلي باستخدام الحلول العددية أمر غير ممكن حسابياً بسبب قيود زمن الاستجابة (latency). وبناءً على ذلك، تعتمد الأنظمة الحالية على جداول محسوبة مسبقاً للدوائر الافتراضية مستمدة من مجموعة محدودة من حالات التوازن المرجعية التي تم أخذ عينات منها على طول مسار مرغوب. ويؤدي هذا النهج إلى قيدين رئيسيين:

1. الصلاحية المحلية: مع تطور البلازما بعيداً عن حالة التوازن المرجعية المحددة، تتدهور عملية الخطية، مما يؤدي إلى ترابط غير مرغوب فيه بين بارامترات الشكل وتدهور أداء وحدة التحكم.
2. التعقيد اليدوي: تتطلب سير العمل الحالية تدخلاً يدوياً كبيراً، حيث يستلزم الأمر تدخل الخبراء لاختيار حالات التوازن المرجعية وضبط مراحل التحكم، مما يعقد تصميم استراتيجيات قوية للسيناريوهات سريعة التطور.

المنهجية
يقترح المؤلفون إطار عمل يعتمد على التعلم الآلي لاستبدال جداول الدوائر الافتراضية الثابتة والمحسوبة مسبقاً بدوائر افتراضية "واعية بالحالة" (state-aware) مستمدة من محاكيات الشبكات العصبية (NN). تمر المنهجية عبر ثلاث مراحل رئيسية:

1. إنشاء مكتبة توازن اصطناعية:

• بدلاً من الاعتماد فقط على البيانات التاريخية المحدودة للتفريغات، قام المؤلفون بتوليد مكتبة تضم أكثر من 1.6 مليون حالة توازن اصطناعية لـ MAST-U باستخدام كود التوازن ذو الحدود الحرة FreeGSNKE.
• تم استخدام نهج "ماركوف تشين مونت كارلو" (MCMC) لاستكشاف فضاء المدخلات، باستخدام 3,999 حالة توازن "بذرة" من عمليات التفريغ التاريخية كنقاط انطلاق. ضمن ذلك أخذ عينات كثيفة للمناطق التشغيلية المرغوبة مع تغطية مساحة واسعة من البارامترات، بما في ذلك التكوينات المحدودة والموجهة (diverted).
• تم تصفية مجموعة البيانات لضمان الحساب القوي لنقطة الضرب ($R_{strike}$) من خلال اشتراط الاتفاق بين ثلاث طرق حسابية متميزة، مما نتج عنه مجموعة بيانات نهائية مكونة من 918,124 حالة توازن.

2. تدريب الشبكة العصبية:

• تم تدريب شبكات عصبية أمامية (feedforward) لمحاكاة الخريطة من المدخلات (تيارات ملفات PF، التيار الإجمالي للبلازما، وبارامترات ملف "Lao85") إلى سبعة بارامترات شكل رئيسية ($R_{in}, R_{out}, R_X, Z_X, R_{strike}, R_{nose}, S_{gap}$).
• اختار المؤلفون صراحةً تدريب الشبكات العصبية للتنبؤ ببارامترات الشكل ($P$) بدلاً من مصفوفات جاكوبي (Jacobian matrices) مباشرة. يتيح ذلك اشتقاق مصفوفة الحساسية ($S = \partial P / \partial I_{shape}$) عبر الاشتقاق التلقائي أو الفروق المحدودة، مما يتجنب الحاجة إلى نموذج ومجموعة بيانات أكبر بكثير مطلوبة للتنبؤ بمصفوفات جاكوبي مباشرة.
• تم بناء مجموعة (ensemble) من ثمانية نماذج هي الأفضل أداءً لتقليل التباين وتحسين المتانة.

3. اشتقاق الدائرة الافتراضية:

• توفر الشبكات العصبية المدربة دوالاً قابلة للاشتقاق. يتم حساب مصفوفة الحساسية $S$ بسرعة باستخدام الاشتقاق التلقائي (AD) أو الفروق المحدودة (FD) المطبقة على مخرجات المجموعة.
• يتم بعد ذلك اشتقاق مصفوفة الدائرة الافتراضية $V$ كمعكوس زائف لـ $S$. ولأن استدلال الشبكة العصبية أسرع بعدة مراتب من حل معادلة "غراد-شافرانوف"، يمكن حساب هذه الدوائر في الوقت الفعلي بناءً على الحالة اللحظية للبلازما.

النتائج الرئيسية
قام المؤلفون بإجراء تحقق استاتيكي واسع النطاق من خلال تطبيق اضطرابات التيار المشتقة من الدوائر الافتراضية على مجموعة اختبار مكونة من 5,000 حالة توازن وتقييم استجابة البلازما الناتجة باستخدام FreeGSNKE.

• الدقة: أظهرت مجموعة النماذج دقة تنبؤية عالية لبارامترات الشكل، حيث تراوح جذر متوسط مربعات الخطأ (RMSE) في نطاق المليمترات للبارامترات المركزية.
• أداء الدائرة الافتراضية:
  • المجموعة مقابل النموذج المنفرد: تفوق نهج المجموعة باستمرار على النماذج الفردية الأفضل أداءً، مما حقق توزيعات أضيق للإزاحات المتحققة وأخطاء أقل (عادةً أقل من 5% للبارامترات المركزية).
  • AD مقابل FD: أنتج الاشتقاق التلقائي والفروق المحدودة نتائج متقاربة لبارامترات الشكل المركزية، مع أخطاء في نطاق 1-5%. وهذا يؤكد أن المحاكيات سلسة بما يكفي لحساب المشتقات القائمة على AD.
  • المقارنة بالدوائر الافتراضية القائمة على الفيزياء: طابقت الدوائر الافتراضية المشتقة من المحاكي أداء الدوائر المحسوبة عبر حلول "غراد-شافراف" بالفروق المحدودة (المرجع القائم على الفيزياء). وبينما ظلت دوائر "غراد-شافرافانوف" هي الأكثر دقة، إلا أن النهج القائم على المحاكي لم يظهر سوى تدهور طفيف في الدقة للبارامترات المركزية.
• القيود: لوحظت انحرافات أكبر للبارامترات المتعلقة بالدايفيرتور، وخاصة نقطة الضرب ($R_{strike}$)، حيث وصلت الأخطاء إلى 15-25%. ويعزو المؤلفون ذلك إلى الصعوبة الجوهرية في فك ارتباط هذه البارامترات المحددة باستخدام مجموعة ملفات MAST-U المتاحة، وهو سلوك موجود أيضاً في دوائر "غراد-شافرافانوف" القائمة على الفيزياء.

الأهمية والادعاءات
يزعم البحث إرساء الصلاحية الفيزيائية للدوائر الافتراضية المحاكية كبديل قابل للتوسع والتعميم للجداول المحسوبة مسبقاً. تكمن الأهمية الرئيسية لهذا العمل في:

1. الوعي بالحالة في الوقت الفعلي: يتيح هذا النهج حساب الدوائر الافتراضية مباشرة من حالة البلازما في الوقت الفعلي، مما يلغي الاعتماد على الخطية المحلية حول نقاط مرجعية ثابتة. وهذا يسمح لنظام التحكم بالبقاء فعالاً مع تطور البلازما بعيداً عن الظروف الاسمية.
2. الأتمتة والمتانة: من خلال توليد الدوائر الافتراضية ديناميكياً، يقلل هذا النهج من الحاجة إلى التدخل اليدوي من قبل الخبراء في اختيار حالات التوازن المرجعية وضبط مراحل التحكم، مما يسهل تصميم وحدات تحكم قوية للسيناريوهات المعقدة.
3. عدم الارتباط بجهاز محدد (Machine Agnosticism): رغم تطويره لـ MAST-U، فإن المنهجية مستقلة عن الجهاز. فهي تعتمد فقط على مجموعة بيانات من توازنات "غراد-شافرافانوف"، والتي يمكن توليدها لأي جهاز توكماك، مما يجعل النهج قابلاً للنقل مباشرة إلى أجهزة أخرى.
4. القابلية للتفسير: يحتفظ النهج بإطار عمل التحكم المألوف والقابل للتفسير القائم على الدوائر الافتراضية، حيث يعمل كتوسيع بسيط لبنى نظام التحكم في البلازما (PCS) الحالية بدلاً من كونه تحولاً جذرياً كاملاً.

يخلص المؤلفون إلى أن هذا النهج القائم على الشبكات العصبية يقدم مساراً واعداً نحو تحكم في البلازما أكثر تكيفاً وسهولة في الوصول، موازناً بين الدقة العالية والسرعة الحسابية المطلوبة للنشر في الوقت الفعلي.