Interpreting AI for Fusion: an application to Plasma Profile Analysis for Tearing Mode Stability

Diese Arbeit stellt einen physikbasierten Interpretationsrahmen für KI-Modelle vor, der mithilfe von Shapley-Analysen die Stabilität von Tearing-Moden in Fusionsplasmen erklärt und dabei zeigt, dass die Kern-Elektronentemperatur und die Rotationsspitzen eine größere Rolle spielen als die Dichteprofile.

Das Wesentliche

Fusionskraftwerk und die unsichtbaren Monster: Wie KI hilft, den Plasma-Sturm zu beruhigen

Stellen Sie sich vor, Sie versuchen, einen winzigen, extrem heißen Stern in einer riesigen, magnetischen Schüssel einzufangen. Das ist das Ziel der Kernfusion, die uns saubere Energie verspricht. Dieses "Sternchen" ist das Plasma. Aber das Plasma ist launisch. Es mag es nicht, wenn es zu heiß wird oder sich zu schnell dreht. Wenn es unruhig wird, entstehen kleine, aber gefährliche Wirbel, die man Tearing Modes (auf Deutsch etwa "Reiß-Moden") nennt. Man kann sich das wie Risse in einem Seil vorstellen: Wenn sie zu groß werden, reißt das Seil, der Stern erlischt, und die ganze Maschine muss gestoppt werden.

Bis vor kurzem war es schwer vorherzusagen, wann diese Risse entstehen. Hier kommt die Künstliche Intelligenz (KI) ins Spiel.

1. Der "Black Box"-Problematik

KI-Modelle sind wie geniale, aber verschlossene Orakel. Sie können mit fast 100-prozentiger Genauigkeit sagen: "Achtung! In 500 Millisekunden wird ein Riss entstehen!" Das ist toll für die Sicherheit. Aber das Problem: Niemand weiß warum die KI das sagt. Sie ist eine "Black Box" (eine schwarze Kiste). Für ein Kraftwerk reicht es aber nicht zu wissen, dass etwas passiert; man muss wissen, was man tun muss, um es zu verhindern. Wenn die KI schreit, aber niemand weiß, ob sie wegen der Temperatur oder der Rotation schreit, traut man ihr nicht.

2. Die Lösung: Ein "Übersetzer" für die KI

Die Autoren dieses Papiers haben eine clevere Lösung gefunden. Sie haben die KI nicht verändert (denn dann wäre sie vielleicht weniger genau), sondern sie haben einen Übersetzer gebaut. Dieser Übersetzer nutzt eine Methode namens Shapley-Analyse.

Die Analogie:
Stellen Sie sich vor, ein Team von 10 Musikern spielt ein Lied. Plötzlich wird das Lied zu laut und schief. Ein KI-System sagt: "Das Lied wird scheitern!" Aber warum?

• War es der Geiger?
• War es der Schlagzeuger?
• Oder war es der Bassist, der zu schnell gespielt hat?

Die Shapley-Analyse ist wie ein Detektiv, der jedem Musiker genau zuschaut und sagt: "Der Geiger hat 40% zum Chaos beigetragen, der Bassist 30%, und der Schlagzeuger hat sogar 10% dazu beigetragen, das Chaos zu verringern."

In unserem Fall sind die "Musiker" die verschiedenen Daten des Plasmas:

• Die Temperatur (wie heiß ist es?)
• Die Dichte (wie voll ist es?)
• Die Rotation (wie schnell dreht es sich?)

3. Was hat die KI eigentlich gelernt?

Das Team hat diese Methode auf einem echten Experiment am DIII-D-Tokamak (einer riesigen Fusionsanlage in den USA) getestet. Sie haben die KI trainiert, um Risse vorherzusagen, und dann den "Übersetzer" aktiviert, um zu sehen, was die KI eigentlich sieht.

Hier sind die überraschenden Entdeckungen, die wie neue Musiknoten klingen:

• Der heiße Kern ist der Übeltäter: Die KI hat gelernt, dass wenn das Elektronen-Temperatur im Zentrum des Plasmas zu hoch wird, das Plasma instabil wird. Das ist wie ein Topf mit kochendem Wasser, der zu heiß wird und überkocht.
• Rotation ist der Beschützer: Wenn sich das Plasma im Kern schnell dreht, wirkt das wie ein Stabilisator. Es hält die Risse zusammen.
• Die Dichte ist weniger wichtig als gedacht: Man dachte, die Menge des Plasmas sei entscheidend. Die KI hat aber gezeigt, dass die Form der Dichte wichtiger ist als die reine Menge.
• Der "Geheimtipp" (Neue Erkenntnis): Die KI hat eine feine Unterscheidung gefunden, die Physiker vorher nicht so genau sahen: Die Temperatur der Elektronen (Te) macht das Plasma linear instabil (je heißer, desto schlechter). Aber die Temperatur der Ionen (Ti) macht es exponentiell instabil! Das bedeutet: Wenn die Ionen zu heiß werden, explodiert das Risiko für Risse viel schneller als gedacht.

4. Der große Sieg: Das Experiment

Das Team hat nicht nur geschaut, sondern gehandelt. Als die KI sagte: "Achtung, Riss kommt!", haben sie sofort einen Schalter umgelegt. Sie haben einen Laserstrahl (Energiezufuhr) genau dorthin gelenkt, wo der Riss entstehen würde.

Das Ergebnis:
Durch das gezielte Lenken der Energie haben sie die Temperatur und den Strom im Plasma so verändert, dass die "Musiker" (die Plasma-Profile) wieder harmonisch spielten. Die KI sagte den Riss voraus, und die Physiker haben ihn verhindert. Das Plasma blieb stabil, ohne zu "reißen".

Fazit: Warum ist das wichtig?

Früher waren KI-Modelle in der Fusion wie ein Auto mit einem blinden Fahrer: Es fuhr schnell, aber man wusste nicht, wohin es steuerte.
Mit dieser neuen Methode haben wir nun ein Auto mit einem Navigationsgerät, das nicht nur die Route anzeigt, sondern auch erklärt: "Wir biegen links ab, weil dort ein Stau ist."

Das macht die KI vertrauenswürdig. Für die Zukunft, in der wir echte Fusionskraftwerke bauen wollen, ist das entscheidend. Wir müssen verstehen, warum die KI uns warnt, damit wir die richtigen Knöpfe drücken können, um die Sterne in der Schüssel sicher zu halten.

Kurz gesagt: Die KI war der Seher, der die Gefahr sah. Die Shapley-Analyse war der Dolmetscher, der uns sagte, was wir tun müssen. Und zusammen haben sie den Plasma-Sturm beruhigt.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Interpreting AI for Fusion: An Application to Plasma Profile Analysis for Tearing Mode Stability" auf Deutsch:

Problemstellung

Tokamaks sind eine vielversprechende Technologie für die Fusionsenergie, stehen jedoch vor der Herausforderung, die Plasmastabilität aufrechtzuerhalten. Insbesondere Tearing Modes (TM), magnetohydrodynamische Instabilitäten, können zu Leistungseinbußen oder sogar zu Disruptionen führen.
Während Machine-Learning-Modelle (ML) und Künstliche Intelligenz (KI) zunehmend zur Vorhersage solcher Instabilitäten eingesetzt werden, leiden diese Modelle oft unter dem „Black-Box"-Problem. Ihre undurchsichtige Natur wirft Bedenken hinsichtlich der Sicherheit und Zuverlässigkeit für den Einsatz in zukünftigen Fusionskraftwerken auf. Bestehende Ansätze zur Interpretierbarkeit (z. B. „Gray-Box"-Modelle wie Random Forests) gehen oft mit einer geringeren Vorhersagegenauigkeit einher, während hochpräzise „Black-Box"-Modelle (wie tiefe neuronale Netze) schwer zu interpretieren sind. Zudem fehlte bisher eine Methode, um ML-Vorhersagen direkt mit physikalischen Plasma-Profilen (Rotation, Temperatur, Dichte) zu verknüpfen, um die Ursachen von Instabilitäten zu verstehen.

Methodik

Die Autoren präsentieren einen physikbasierten Interpretationsrahmen, der ein ML-Modell zur Vorhersage von Tearing Modes mit Shapley-Analyse (einer Methode aus der Spieltheorie) kombiniert.

1. Datengrundlage und Labeling:

   • Das Modell wurde mit Daten von 6050 DIII-D-Shots (Shots 140.000–195.000) trainiert, wovon 1476 Shots $n=1$ Tearing Modes enthielten.
   • Die Daten umfassen 42 Parameter pro Zeitschritt (alle 20 ms), darunter kinetische Profile (Elektronen-/Ionentemperatur, Dichte, Rotation), Magnetfelddaten (EFIT-Rekonstruktionen) und Aktorwerte (NBI, ECH).
   • Klassische und neo-klassische Tearing Modes werden gemeinsam betrachtet.

2. Modellarchitektur:

   • Es wurde ein Deep Survival Machine (DSM)-Modell verwendet (basierend auf dem Auton-Survival-Package).
   • Im Gegensatz zu klassischen Klassifikatoren sagt dieses Modell die Wahrscheinlichkeit des Eintretens eines Ereignisses (TM) innerhalb eines bestimmten Zeitfensters voraus.
   • Training: Eingabe sind Plasma-Profile, die Zeit bis zum Sequenzende und das Ereignis (TM ja/nein).
   • Inferenz: Nur Plasma-Profile werden eingegeben, um die zukünftige Stabilität vorherzusagen.

3. Interpretation durch Shapley-Analyse:

   • Anstatt die Modellarchitektur zu ändern, wird die Shapley-Analyse angewendet, um den Beitrag jedes Eingangsmerkmals (z. B. Temperaturprofil an einer bestimmten Position) zur Vorhersage des Modells zu quantifizieren.
   • Als Hintergrundverteilung (Referenz) dienten 11 spezifische Shots eines dedizierten TM-Ausweich-Experiments, um einen kontextspezifischen Vergleich zu ermöglichen.
   • Positive Shapley-Werte deuten auf Destabilisierung hin, negative Werte auf Stabilisierung.

4. Experimentelles Validierungsszenario:

   • Das Modell wurde in einem dedizierten DIII-D-Experiment zur präventiven Unterdrückung von Tearing Modes getestet.
   • Sobald ein TM-Risiko vorhergesagt wurde, wurde die Ablagerung der Elektronen-Zyklotron-Heizung (ECH) angepasst, um den Stromtrieb (ECCD) gezielt auf die $q=2$-Oberfläche zu lenken und so die Stabilität zu erhöhen.

Hauptbeiträge

• Brücke zwischen Physik und KI: Entwicklung eines Frameworks, das hochpräzise Black-Box-ML-Modelle physikalisch interpretierbar macht, ohne deren Genauigkeit zu opfern.
• Erste Anwendung der Shapley-Analyse in der Fusionsforschung: Demonstration, wie ML-Modelle genutzt werden können, um spezifische Profilmerkmale zu identifizieren, die für die Stabilität verantwortlich sind.
• Validierung durch Experiment: Die Interpretation wurde nicht nur theoretisch, sondern durch ein reales, aktives Kontroll-Experiment auf dem DIII-D-Tokamak validiert.
• Unterscheidung von Profilmerkmalen: Das Modell nutzt ausschließlich Profil-Daten (ohne skalare Parameter wie $\beta_N$), um den direkten Einfluss der Profilform auf die Stabilität zu isolieren.

Ergebnisse

1. Modellleistung:

   • Das DSM-Modell erreichte eine AUROC von 0.85 und konnte TMs im Durchschnitt über 500 ms (bis zu 1000 ms) im Voraus vorhersagen. Dies bietet ausreichend Zeit für Aktor-Reaktionen (z. B. ECH-Anpassung).
   • Das Experiment erreichte eine Erfolgsrate von 82 % bei der Vermeidung von TMs durch präventive Eingriffe.

2. Physikalische Erkenntnisse aus der Shapley-Analyse:

   • Elektronentemperatur ($T_e$): Ein Anstieg der Kern-Elektronentemperatur ist der primäre destabilisierende Faktor. Der Effekt ist linear: Je höher die Kern-$T_e$, desto höher das TM-Risiko.
   • Rotation: Eine hohe Kern-Rotation wirkt stabilisierend (unterdrückt MHD-Instabilitäten). Eine hohe Rand-Rotation kann jedoch leicht destabilisierend wirken, was auf die Wichtigkeit von Rotationsgradienten hinweist.
   • Dichte: Die Dichte hat einen geringeren Einfluss, aber eine spitze Dichteverteilung (peaking) im Kern wirkt destabilisierend, während eine erhöhte durchschnittliche Dichte weniger kritisch ist.
   • Iontemperatur ($T_i$): Im Gegensatz zur linearen Abhängigkeit bei $T_e$ zeigt das TM-Risiko bei der Kern-Iontemperatur ($T_i$) einen exponentiellen Anstieg bei Werten über 3,5 keV. Dies deutet darauf hin, dass Plasmen mit einem hohen $T_e/T_i$-Verhältnis stabiler sein könnten.
   • Rand-Profile: Ein Anstieg der Temperatur am Rand (Pedestal) wirkt stabilisierend.

3. Mechanismus der Unterdrückung:

   • Die Analyse bestätigte, dass die Anpassung der ECH-Ablagerung auf die $q=2$-Oberfläche den lokalen Stromtrieb ($J_{ECCD}$) erhöht und die Dichte im Randbereich senkt („density pumpout").
   • Diese Änderungen führten zu einer messbaren Stabilisierung des Plasmas, was durch negative Shapley-Werte (stabilisierender Effekt) in den Profilen bestätigt wurde.

Bedeutung und Ausblick

Diese Arbeit stellt einen Meilenstein für die Anwendung von interpretierbarer KI in der Fusionsforschung dar. Sie beweist, dass ML-Modelle nicht nur als „Vorhersagemaschinen", sondern als Werkzeuge zur Entdeckung neuer physikalischer Zusammenhänge genutzt werden können.

• Sicherheitsrelevanz: Die Interpretierbarkeit ist entscheidend für die Zertifizierung und den sicheren Betrieb zukünftiger Fusionskraftwerke (wie ITER oder DEMO), da die Ursachen von Kontrollaktionen nachvollziehbar sein müssen.
• Optimierung von Experimenten: Die Erkenntnisse (z. B. zur Vermeidung exponentiell steigender $T_i$-Risiken oder zur Nutzung off-axis Neutralbeam-Injection für flachere $T_i$-Profile) können direkt zur Optimierung von Betriebsregimen genutzt werden.
• Generalisierbarkeit: Das Framework ist auf andere Instabilitäten (ELMs, Disruptionen) und andere Tokamaks übertragbar, sofern geeignete Referenzverteilungen gewählt werden.

Zusammenfassend schließt dieses Paper die Lücke zwischen der hohen Vorhersagegenauigkeit komplexer ML-Modelle und dem physikalischen Verständnis, indem es zeigt, warum ein Modell eine Instabilität vorhersagt und welche spezifischen Plasma-Parameter kontrolliert werden müssen, um diese zu vermeiden.