Real-time virtual circuits for plasma shape control via neural network surrogates: dynamic validation in closed-loop simulations

Diese Studie validiert die Robustheit und Effektivität von durch neuronale Netze emulierten virtuellen Schaltkreisen für die Echtzeit-Formsteuerung von Fusionsplasmen in geschlossenen Regelkreissimulationen des MAST-U-Experiments, was einen wichtigen Schritt zur zukünftigen Implementierung im echten Kontrollsystem darstellt.

Das Wesentliche

Kernfusions-Steuerung mit einem „Gedächtnis": Wie KI den Plasma-Formen hilft, stabil zu bleiben

Stellen Sie sich einen Fusionsreaktor wie einen riesigen, unsichtbaren Kochtopf vor, in dem ein extrem heißer Gasball (das Plasma) schwebt. Damit dieser Ball Energie liefert, muss er eine ganz bestimmte Form haben – wie ein perfekter Donut. Wenn er sich verbiegt, die Form verliert oder gegen die Wände des Topfes stößt, erlischt die Reaktion sofort.

Die Aufgabe der Wissenschaftler ist es, diesen schwebenden Ball mit unsichtbaren Magneten in Form zu halten. Das ist aber schwierig, denn das Plasma ist wie ein lebendiges, zappelndes Tier: Es verändert sich ständig.

Hier kommt die neue Forschung von Kamran Pentland und seinem Team ins Spiel. Sie haben eine Art KI-Steuerungs-Assistenten entwickelt, der dem Reaktor hilft, sich schneller und smarter zu verhalten.

Das Problem: Der alte Fahrplan

Früher nutzten die Ingenieure einen starren „Fahrplan" (in der Fachsprache Virtual Circuits genannt). Stellen Sie sich das wie eine Landkarte vor, die nur für eine ganz bestimmte Straßensituation gilt. Wenn das Plasma genau dort ist, wo die Karte es haben will, funktioniert die Steuerung perfekt. Aber sobald das Plasma auch nur ein bisschen abweicht (weil es zappelt oder sich erwärmt), wird die alte Karte ungenau. Die Magnete müssten dann ständig neu berechnet werden, was viel Zeit kostet und zu Verzögerungen führt. Das ist wie ein Autofahrer, der versucht, auf einer Landkarte zu navigieren, die nur für eine leere Autobahn gilt, während er plötzlich im Stau steht.

Die Lösung: Der KI-Spürhund

Das Team hat nun ein künstliches neuronales Netzwerk (eine Art KI) trainiert. Man könnte sich das wie einen extrem erfahrenen Piloten vorstellen, der Millionen von Flugstunden in einem Simulator abgelegt hat.

1. Das Training: Die KI hat Millionen von simulierten Szenarien durchgespielt. Sie hat gelernt: „Wenn das Plasma hier so aussieht und der Strom dort so fließt, dann muss ich die Magnete genau so bewegen, um die Form zu korrigieren."
2. Die Geschwindigkeit: Anstatt jede Sekunde komplexe physikalische Formeln neu zu lösen (was dauert), fragt die Steuerung einfach die KI: „Wie ist die Form? Was muss ich tun?" Die KI antwortet in Millisekunden. Das ist so schnell, als würde ein erfahrener Fahrer instinktiv das Lenkrad drehen, ohne erst nachzudenken.
3. Die Flexibilität: Im Gegensatz zum alten Fahrplan passt sich die KI sofort an. Egal, ob das Plasma sich leicht verbiegt oder komplett seine Form ändert, die KI weiß sofort, welche Magnete wie stark angesteuert werden müssen.

Der große Test: Die Simulation

In diesem Papier haben die Forscher ihre KI nicht nur im Labor getestet, sondern in einer hochmodernen Computersimulation (dem „FreeGSNKE Pulse Design Tool"). Das ist wie ein Flugsimulator für Fusionsreaktoren.

Sie haben zwei wichtige Dinge getestet:

• Störungen: Was passiert, wenn die Messgeräte verrauschen (wie wenn man durch einen Nebel fährt)? Die KI hat gezeigt, dass sie auch dann noch stabil bleibt und das Plasma in Form hält.
• Veränderte Bedingungen: Was passiert, wenn sich das Plasma anders verhält als erwartet (z. B. durch unterschiedliche Heizleistung)? Auch hier hat die KI funktioniert. Sie hat das Plasma trotz unvorhergesehener Änderungen stabil gehalten.

Warum ist das wichtig?

Bisher mussten Ingenieure stundenlang im Voraus berechnen, wie der Reaktor gesteuert werden muss. Mit dieser KI-Steuerung wird der Prozess automatisiert und schneller.

• Für die Zukunft: Es ist ein wichtiger Schritt, um den Fusionsreaktor MAST-U (und später große Reaktoren wie ITER) wirklich in Echtzeit zu steuern.
• Der Vorteil: Die KI macht das System robuster. Selbst wenn die Messungen nicht perfekt sind oder sich das Plasma überraschend verhält, bleibt der „Gasball" stabil.

Zusammenfassend: Die Forscher haben einen digitalen „Co-Piloten" gebaut, der den Fusionsreaktor so schnell und clever steuert, dass er selbst bei chaotischen Bedingungen die perfekte Form des Plasmas bewahrt. Das ist ein entscheidender Schritt auf dem Weg zu einer sauberen, unendlichen Energiequelle.

Technische Zusammenfassung

Titel: Echtzeit-Virtual Circuits für die Plasmashape-Steuerung mittels neuronaler Netzwerke: Dynamische Validierung in geschlossenen Regelkreissimulationen

Autoren: Kamran Pentland et al. (UK Atomic Energy Authority & STFC Hartree Centre)

---

1. Problemstellung

Für den zuverlässigen Einschluss und die stabile Leistung von Tokamak-Fusionsplasmen ist eine präzise Echtzeit-Steuerung der magnetischen Form des Plasmas unerlässlich. Das Plasma-Control-System (PCS) muss Abweichungen geometrischer Formparameter (z. B. X-Punkte, Strikepoints) von Referenzwellenformen korrigieren, indem es Ströme in den poloidalen Feldspulen (PF-Spulen) anpasst.

Das etablierte Verfahren nutzt Virtual Circuits (VCs), eine Matrix, die die Entkopplung der Formparameter ermöglicht (d. h., ein Parameter wird geändert, ohne die anderen zu beeinflussen).

• Herausforderung: Die Berechnung einer VC-Matrix erfordert die Linearisierung der Grad-Shafranov-Gleichung (GS), was rechenintensiv ist und nicht in Echtzeit erfolgen kann.
• Aktuelle Limitierung: In der Praxis werden VCs offline für wenige Referenz-Gleichgewichte berechnet und als feste Schedules verwendet. Sobald sich das Plasma von diesen Referenzzuständen entfernt, verschlechtert sich die Genauigkeit der VCs drastisch. Dies führt zu ungewollten Wechselwirkungen zwischen den Parametern und unnötiger Belastung der Stromversorgungen.

2. Methodik

Die Autoren verfolgen einen Ansatz, bei dem neuronale Netzwerke (NN) als Surrogatmodelle (Emulatoren) für die physikalisch basierten VC-Berechnungen dienen.

• Neuronale Netzwerke: Es wurden Feedforward-NNs trainiert, um eine Abbildung von den Eingangsgrößen (aktive Spulenströme, Plasmaströme, Dichteprofilparameter) auf die geometrischen Formparameter zu lernen. Durch Differentiation dieser NNs werden die Sensitivitätsmatrizen und daraus die VC-Matrizen in Echtzeit abgeleitet.
• Datengrundlage: Das Training basierte auf einer Bibliothek von ca. 900.000 synthetischen Plasma-Gleichgewichten, generiert mit dem FreeGSNKE-Solver, die den gesamten Betriebsraum des MAST-U (MAST Upgrade) abdecken.
• Dynamische Validierung (FPDT): Im Gegensatz zu früheren statischen Tests wurde die Leistung in einer geschlossenen Regelkreissimulation mit dem FreeGSNKE Pulse Design Tool (FPDT) getestet.
  • Das FPDT koppelt den evolutorischen Gleichgewichtslöser (FreeGSNKE) mit einem virtuellen PCS.
  • Es simuliert die Wechselwirkung zwischen Reglern, Plasmaantwort und Aktuatorbeschränkungen.
  • Der Regler nutzt PID-Controller, um die gewünschten Änderungen der Formparameter zu berechnen, die dann über die emulierten VCs in Spulenstromänderungen umgewandelt werden.

3. Schlüsselbeiträge

• Einführung von NN-Emulatoren in den geschlossenen Regelkreis: Erstmals wurden die in vorherigen Arbeiten entwickelten NN-VCs nicht nur statisch, sondern in einer dynamischen, zeitabhängigen Simulation validiert.
• Berücksichtigung realer Störfaktoren: Die Studie testet die Robustheit gegenüber:
  • Messunsicherheiten (Rauschen in den Sensordaten).
  • Variierenden Aktualisierungsfrequenzen der VCs (Update-Rate).
  • Abweichungen in den Plasma-Profilen (z. B. durch Änderungen der Heizleistung).
  • Der Entwicklung von Strömen in passiven Leitstrukturen (die im Training nicht explizit enthalten waren).
• Demonstration der Flexibilität: Das System ermöglicht es, Referenzwellenformen während der Simulation einfach zu ändern, ohne neue VC-Schedules offline berechnen zu müssen.

4. Ergebnisse

Die Simulationen basierten auf Szenarien des MAST-U-Tokamaks (z. B. Shot 53152 und 53278).

• Robustheit gegenüber Update-Frequenz: Die NN-Emulatoren funktionierten zuverlässig sowohl bei einer schnellen Aktualisierung ($\gamma = 2$ ms) als auch bei einer konservativen, langsamen Aktualisierung ($\gamma = 20$ ms). Die geregelten Parameter blieben innerhalb weniger Zentimeter der Referenzwellenform.
• Toleranz gegenüber Messunsicherheit: Das Hinzufügen von Gaußschem Rauschen zu den simulierten Messdaten (Ströme, Formparameter) führte nicht zum Versagen des Reglers. Sowohl der virtuelle PCS als auch die NN-Emulatoren verfolgten die Referenzwerte präzise.
• Robustheit gegenüber Profil-Änderungen: In Tests, bei denen die im Simulator verwendeten Plasma-Profilparameter (z. B. Neutralteilchen-Injektionsleistung) von denen im NN-Emulator abwichen (z. B. durch Ausfall eines Heizstrahls), blieb die Formkontrolle stabil. Die Kernformparameter zeigten erwartungsgemäß die größten Abweichungen, da diese empfindlicher auf Profiländerungen reagieren als die Divertor-Bein-Geometrie.
• Dynamische Anpassung: Das System konnte erfolgreich komplexe Übergänge (z. B. von konventionellem zu Super-X Divertor) bewältigen, ohne dass die Entkopplung der Formparameter verloren ging.

5. Bedeutung und Ausblick

Diese Arbeit stellt einen entscheidenden Schritt hin zur Echtzeit-Einsatzbereitschaft von KI-gestützten Steuerungssystemen in Fusionsreaktoren dar.

• Effizienzsteigerung: Durch den Einsatz von NN-Emulatoren entfällt die Notwendigkeit für komplexe, offline berechnete VC-Schedules für jeden möglichen Gleichgewichtszustand.
• Automatisierung: Das System ermöglicht eine höhere Automatisierung der Plasmasteuerung und reduziert die Abhängigkeit von manuellen Eingriffen und Expertenwissen für die Szenario-Planung.
• Validierung für den Einsatz: Die erfolgreichen Tests im FPDT zeigen, dass die emulierten VCs robust genug sind, um in einem echten PCS (wie dem von MAST-U) eingesetzt zu werden. Sie bieten eine Antwort auf die Herausforderung, sich schnell ändernde Plasma-Zustände in Echtzeit zu steuern, ohne die Latenzzeiten physikalischer Berechnungen in Kauf nehmen zu müssen.

Zusammenfassend beweist die Studie, dass neuronale Netzwerke eine viable Alternative zu traditionellen, physikalisch basierten VC-Berechnungen für die hochpräzise, dynamische Formkontrolle von Fusionsplasmen darstellen.