TorbeamNN: Machine learning based steering of ECH mirrors on KSTAR

Das Paper stellt TorbeamNN vor, ein maschinelles Lern-Modell, das die Strahlverfolgung für Elektronen-Zyklotron-Heizung auf KSTAR um mehr als das 100-fache beschleunigt, ohne Genauigkeit zu verlieren, und eine präzise Echtzeit-Steuerung der Heizspiegel ermöglicht.

Das Wesentliche

TorbeamNN: Der „Super-Intelligenz"-Navigator für den KSTAR-Fusionsreaktor

Stellen Sie sich den KSTAR-Experimentierreaktor in Südkorea wie einen riesigen, glühenden Kochtopf vor, der Plasma (ein extrem heißes, elektrisch geladenes Gas) enthält. Um aus diesem Plasma Energie zu gewinnen, müssen wir es auf millionen Grad erhitzen. Eine der wichtigsten Methoden dafür ist das „E-Cyclotron-Heating" (ECH).

Man kann sich das wie eine Super-Handy-Taschenlampe vorstellen, die in den Kochtopf scheint. Aber das ist kein normales Licht, sondern hochenergetische Mikrowellen. Das Problem? Das Plasma ist nicht leer wie ein Raum, sondern voller „Dunst" und magnetischer Wirbel. Wenn Sie die Taschenlampe einfach nur auf einen Punkt richten, wird das Licht durch den Dunst abgelenkt, gebrochen oder gestreut. Sie landen genau dort, wo Sie nicht hinwollen.

Um das Plasma perfekt zu erhitzen, müssen wir die Taschenlampe (die Spiegel) millimetergenau steuern, damit der Lichtstrahl genau dort landet, wo er die meiste Wirkung erzielt.

Das alte Problem: Der langsame Navigator

Früher nutzten die Wissenschaftler ein Programm namens TORBEAM, um zu berechnen, wo das Licht landen würde.

• Die Analogie: Stellen Sie sich vor, Sie müssten eine Route durch einen stürmischen Ozean planen. Das alte TORBEAM-Programm war wie ein sehr genauer, aber langsamer Kapitän, der jede Welle, jeden Windstoß und jede Strömung einzeln berechnet.
• Das Problem: Dieser Kapitän brauchte etwa 10 Millisekunden für eine Berechnung. In der Welt der Plasmaphysik ist das eine Ewigkeit! Das Plasma ist extrem unruhig; es gibt schnelle „Stürme" (wie sogenannte ELMs oder „Sägezahn-Oszillationen"), die sich in nur 20 bis 50 Millisekunden ändern. Wenn der Kapitän 10 Millisekunden braucht, ist der Kurs schon wieder falsch, bevor er fertig ist. Das ist wie beim Autofahren, wenn Sie erst 10 Sekunden brauchen, um zu entscheiden, ob Sie bremsen oder lenken – Sie würden einen Unfall bauen.

Die Lösung: TorbeamNN – Der KI-Sportwagen

Hier kommt TorbeamNN ins Spiel. Die Forscher haben eine künstliche Intelligenz (ein maschinelles Lernmodell) entwickelt, die den alten Kapitän ersetzt.

• Die Analogie: Stellen Sie sich TorbeamNN wie einen erfahrenen Rennfahrer vor, der den Kurs so oft gefahren ist, dass er ihn auswendig kennt. Er braucht keine 10 Sekunden mehr, um die Route zu berechnen. Er sieht die Bedingungen, schaut kurz auf sein Dashboard und sagt sofort: „Da lang!"
• Wie es funktioniert: Das Modell wurde mit Millionen von Datenpunkten trainiert. Es hat gelernt, wie sich das Licht durch verschiedene Plasma-Bedingungen bewegt, ohne jedes Mal die komplizierte Physik neu zu berechnen. Es ist wie ein Wettervorhersage-App, die nicht jede Luftmolekül-Bewegung simuliert, sondern basierend auf Erfahrung weiß, dass bei diesen Wolken und diesem Wind Regen kommt.

Die Ergebnisse: Blitzschnell und präzise

Die Ergebnisse sind beeindruckend:

1. Geschwindigkeit: TorbeamNN ist über 100-mal schneller als das alte Programm. Es braucht nur etwa 50 Mikrosekunden (das ist 0,00005 Sekunden!). Das ist so schnell, dass der Computer fast keine Zeit verliert.
2. Genauigkeit: Trotz der Geschwindigkeit ist es genauso genau wie der langsame Kapitän. Die Vorhersage, wo das Licht landet, weicht im Durchschnitt nur um 0,5 Zentimeter vom Ziel ab. Das ist, als würden Sie einen Pfeil aus 100 Metern Entfernung in die Mitte eines Apfels schießen.
3. Echtzeit-Steuerung: In Experimenten am KSTAR-Reaktor konnte das System nun die Spiegel in Echtzeit bewegen, um dem Plasma zu folgen. Selbst wenn das Plasma wild hin und her zuckte, hielt die Taschenlampe den Strahl stabil auf dem Ziel.

Warum ist das wichtig?

In der Zukunft, wenn wir echte Fusionskraftwerke bauen (wie den geplanten ITER-Reaktor), werden wir nicht nur heizen, sondern auch komplexe Aufgaben erledigen müssen: Instabilitäten im Plasma unterdrücken, Verunreinigungen entfernen oder den Stromfluss im Plasma steuern. Dafür müssen wir die „Taschenlampe" extrem schnell und präzise bewegen können.

TorbeamNN ist wie der Gehirn-Boost für diese Steuerung. Es erlaubt den Computern, in Bruchteilen von Sekunden Entscheidungen zu treffen, die früher zu lange gedauert hätten. Ohne diese KI wären wir bei der Kontrolle von Fusionsreaktoren wie ein Autofahrer, der durch einen Nebel fährt und erst nach 10 Sekunden merkt, dass er eine Kurve verpasst hat. Mit TorbeamNN sehen wir die Kurve, bevor wir sie erreichen, und lenken perfekt.

Zusammenfassend: Die Wissenschaftler haben einen alten, langsamen Rechner durch einen schnellen, lernenden KI-Assistenten ersetzt. Dieser Assistent steuert nun die Heizstrahlen im Kernreaktor so präzise wie nie zuvor und macht den Weg zu einer sauberen, unendlichen Energiequelle ein kleines Stück näher.

Technische Zusammenfassung

1. Problemstellung

In zukünftigen Fusionsreaktoren wie ITER sind Hochfrequenz-Heizquellen (Radio Frequency, RF), insbesondere die Elektronen-Zyklotron-Heizung (ECH) und der Elektronen-Zyklotron-Current-Drive (ECCD), als primäre Heiz- und Steuerungsquellen geplant. Diese Technologien erfordern eine präzise Ausrichtung der Strahlen, um spezifische Ziele im Plasma zu erreichen (z. B. Unterdrückung von Neoklassischen Tearing-Moden (NTM), Kontrolle von Sawteeth-Oszillationen oder Impuritätsmanagement).

Das Hauptproblem besteht darin, den Absorptionsort der ECH-Strahlen in Echtzeit zu berechnen. Der Strahlengang wird durch Wechselwirkungen mit der Plasmadichte und den Magnetfeldern abgelenkt.

• Bisherige Lösung: Der physikbasierte Ray-Tracing-Code TORBEAM kann in einer reduzierten Echtzeit-Version in ca. 10 ms berechnet werden.
• Nachteile:
  1. Eine Berechnungszeit von 10 ms ist für Plasmen mit schnellen Transienten (z. B. ELMs oder Sawteeth mit Perioden von 20–50 ms) zu langsam, da sich die Plasma-Profile innerhalb dieser Zeitspanne ändern können.
  2. Die vollständige TORBEAM-Berechnung erfordert detaillierte Echtzeit-Profile für Elektronentemperatur ($T_e$) und Dichte ($n_e$), die auf Tokamaks wie KSTAR oft nicht in ausreichender Qualität oder Geschwindigkeit verfügbar sind.
  3. Die Verzögerung durch die Berechnung limitiert die Reaktionsgeschwindigkeit der Spiegelsteuerung und die Möglichkeit, ECH für mehrere Aufgaben gleichzeitig (Multi-Tasking) zu nutzen.

2. Methodik: TorbeamNN

Um diese Limitierungen zu überwinden, entwickelten die Autoren TorbeamNN, ein maschinelles Lern-Surrogatmodell (Machine Learning Surrogate Model), das den TORBEAM-Code ersetzt.

• Datengrundlage:
  • Das Modell wurde mit Daten aus dem KSTAR-Kampagne 2024 trainiert (336 Shots, 2712 Zeit-Slices).
  • Es wurden separate Modelle für drei Gyrotrons (EC2, EC4, EC5) und für beide Betriebsmodi (O-Mode und X-Mode) trainiert, da die Physik der Absorption in diesen Modi signifikant unterschiedlich ist.
  • Der Datensatz wurde durch 647.267 Berechnungen des vollständigen, offline TORBEAM-Codes generiert, um eine hohe Genauigkeit (Full Fidelity) als „Ground Truth" zu gewährleisten.
• Eingabeparameter (Features):
  • Anstatt komplexer 3D-Gitter für Magnetfelder zu verwenden, nutzt TorbeamNN vereinfachte, aber aussagekräftige Parameter: Spiegelwinkel (poloidal $\theta$, toroidal $\phi$), Vakuum-Toroidalfeld ($B_T$), Plasmastrom ($I_P$), magnetische Achsenpositionen ($R_0, Z_0$), Minor-Radius, Normalisierter Druck ($\beta_N$), Dehnung ($\kappa$), Induktivität ($l_i$), Volumen und eine Schätzung der Elektronendichte ($n_e$) an drei Punkten (Kern, Off-Axis, Rand).
  • Die Elektronentemperatur wird implizit über den Normalisierten Druck ($\beta_N$) abgeleitet, was die Abhängigkeit von direkten $T_e$-Messungen in Echtzeit reduziert.
• Modellarchitektur:
  • Ein neuronales Netz mit 3 dichten Schichten (je 60 Neuronen), ReLU-Aktivierungsfunktionen und einer linearen Aktivierung in der Ausgabeschicht.
  • Trainiert mit dem Keras-Library und dem Adam-Optimizer.
  • Das Modell wurde in C-Funktionen konvertiert (keras2c), um in das KSTAR-Plasma-Control-System (PCS) integriert zu werden.

3. Wichtige Beiträge

1. Geschwindigkeitssteigerung: TorbeamNN bietet eine 100-fache Beschleunigung gegenüber der bereits optimierten Echtzeit-Version von TORBEAM. Die Inferenzzeit pro Modell liegt bei ca. 50–60 Mikrosekunden ($\mu s$), im Vergleich zu 10 ms bei TORBEAM.
2. Genauigkeit ohne Kompromisse: Das Modell erreicht eine Genauigkeit, die mit dem vollständigen, offline TORBEAM-Code vergleichbar ist, ohne dass die vereinfachte Echtzeit-Version von TORBEAM verwendet werden muss.
3. Echtzeit-Steuerung: Die erste erfolgreiche Implementierung eines ML-basierten Surrogats zur dynamischen Spiegelsteuerung von ECH auf einem Tokamak (KSTAR).
4. Robustheit: Das Modell funktioniert sowohl für O-Mode als auch für X-Mode und deckt den gesamten Betriebsbereich der KSTAR-Spiegel ab.

4. Ergebnisse

• Offline-Validierung:
  • Der Bestimmtheitsmaß ($R^2$) für alle Vorhersagen (poloidaler Radius $\rho_{pol}$, Absorptionsorte $R$ und $Z$, Current-Drive-Effizienz $\eta_{CD}$) liegt über 0,992.
  • Der mittlere absolute Fehler (MAE) für die Vorhersage der vertikalen Absorptionsposition ($Z$) beträgt nur 0,2 cm.
• Echtzeit-Experimente (KSTAR):
  • Feedforward-Steuerung: Beim Vergleich von TorbeamNN-Vorhersagen mit Offline-TORBEAM-Berechnungen während eines Schusses wurde ein MAE von 0,44 cm über den gesamten Schuss und 0,28 cm im Flattop-Bereich (nach 3 Sekunden) erreicht.
  • Feedback-Steuerung: Ein PID-Regler wurde implementiert, um eine vertikale Zielposition ($Z_{vac}$) zu verfolgen, während sich der toroidale Spiegelwinkel änderte.
  • Ergebnis: Der mittlere absolute Tracking-Fehler betrug 0,535 cm über den relevanten Zeitraum. Dies liegt innerhalb der erwarteten Schwankungen durch Plasmatransienten und ist für alle Anwendungen der Echtzeit-ECH/ECCD-Steuerung ausreichend genau.
  • Das System reagierte schnell genug, um dynamische Änderungen im Plasma zu verfolgen, was mit dem langsameren TORBEAM-Code nicht möglich gewesen wäre.

5. Bedeutung und Ausblick

• Paradigmenwechsel: Das Paper demonstriert, dass ML-Surrogatmodelle physikbasierte Ray-Tracing-Codes in der Fusionsforschung in Echtzeit-Anwendungen erfolgreich ersetzen können. Dies ermöglicht eine viel schnellere Reaktionszeit der Steuerungssysteme.
• Zukünftige Anwendungen:
  • Multi-Tasking: Die enorme Geschwindigkeit erlaubt es, ECH für mehrere Ziele gleichzeitig innerhalb eines einzigen Schusses zu nutzen (z. B. NTM-Kontrolle und Sawtooth-Pacing).
  • Erweiterte Kontrolle: In Zukunft könnte TorbeamNN genutzt werden, um nicht nur den Absorptionsort, sondern die gesamte Heiz- und Current-Drive-Profilverteilung in Echtzeit vorherzusagen, was eine Optimierung der Stromprofile (z. B. für NTM-Unterdrückung) ermöglicht.
  • Vermeidung von PID: Die Differenzierbarkeit neuronaler Netze könnte genutzt werden, um fortschrittlichere, nicht-PID-basierte Regler zu entwickeln, die direkt den optimalen Spiegelwinkel berechnen.
• Relevanz für ITER: Da ITER und zukünftige Reaktoren auf komplexe RF-Steuerung angewiesen sind, bietet TorbeamNN einen entscheidenden Vorteil für die Entwicklung robuster und schneller Plasma-Control-Systeme (PCS).

Zusammenfassend stellt TorbeamNN einen Meilenstein dar, der die Lücke zwischen der hohen Rechenlast physikalischer Simulationen und den extremen Echtzeitanforderungen der Fusionsplasmenkontrolle schließt.