FPGA-Accelerated Real-Time Diagnostics at DIII-D Using the SLAC Neural Network Library for ML Inference

Dieser Artikel demonstriert die erfolgreiche Implementierung eines durch FPGAs beschleunigten Systems zur Inferenz maschinellen Lernens unter Verwendung der SLAC-Neural-Network-Bibliothek am DIII-D-Tokamak, um eine Echtzeit-Vorhersage und adaptive Unterdrückung disruptiver Edge Localized Modes durch hot-swappbare neuronale Netzwerk-Gewichte zu ermöglichen.

Das Wesentliche

Stellen Sie sich einen massiven, extrem heißen Stern vor, der in einer riesigen magnetischen Flasche gehalten wird. Dies ist ein Tokamak, eine Maschine, die Wissenschaftler nutzen, um saubere, unbegrenzte Energie (Fusion) zu erzeugen. Das Problem ist, dass der „Stern" im Inneren launisch ist. Er mag es zu wackeln, zu pulsieren und gelegentlich einen Wutanfall namens Edge Localized Mode (ELM) zu haben. Wenn diese Wutanfälle zu groß werden, können sie die Maschine beschädigen oder die Reaktion abschalten.

Um die Maschine sicher am Laufen zu halten, benötigen Wissenschaftler einen „Wächter", der den Stern rund um die Uhr beobachtet, vorhersagt, wann er einen Wutanfall bekommt, und sofort auf einen „beruhigen"-Knopf drückt.

Dieser Artikel beschreibt, wie das Team am DIII-D-Fusionsreaktor einen superschnellen, intelligenten Wächter mit einem speziellen Computerchip, einem FPGA (Field-Programmable Gate Array), und einer maßgeschneiderten „Gehirn"-Software namens SLAC Neural Network Library (SNL) gebaut hat.

Hier ist die Aufschlüsselung der Funktionsweise, unter Verwendung einfacher Analogien:

1. Das Problem: Der „zu schnelle" Stern

Die Maschine erzeugt eine massive Datenmenge (wie eine Hochgeschwindigkeitskamera, die eine Million Bilder pro Sekunde aufnimmt). Herkömmliche Computer (wie die in Ihrem Laptop oder sogar leistungsstarke Server) sind zu langsam, um diese Daten zu analysieren, herauszufinden, ob ein Wutanfall kommt, und einen Befehl zum Stoppen zu senden, bevor er eintritt. Bis ein normaler Computer seine Berechnungen abgeschlossen hat, ist der Schaden bereits angerichtet.

2. Die Lösung: Ein „spezialisiertes Gehirn" auf einem Chip

Anstatt alle Daten an einen langsamen Computer zu senden, hat das Team ein winziges, spezialisiertes Gehirn direkt auf den Chip gelegt, der die Daten empfängt.

• Der Chip: Sie verwendeten ein AMD/Xilinx KCU1500 FPGA. Stellen Sie sich dies als eine Lego-Baustelle vor, die sich sofort in jedes benötigte Werkzeug umformen lässt.
• Das Gehirn: Sie trainierten ein Neuronales Netz (eine Art KI), um die spezifischen „Anzeichen" eines bevorstehenden Wutanfalls zu erkennen. Dieses Gehirn wurde mit der SLAC Neural Network Library (SNL) gebaut.

3. Wie es funktioniert: Der „Sofort-Übersetzer"

Hier ist der Informationsfluss, beschrieben als Staffellauf:

1. Die Augen (Sensoren): Die Maschine verfügt über Sensoren namens Beam Emission Spectroscopy (BES), die den Rand des Plasmas beobachten. Sie sehen winzige Wellen im „Stern".
2. Der Filter (Vorverarbeiter): Das FPGA empfängt einen Datenstrom von 160 verschiedenen Sensoren. Es wirkt wie ein Türsteher in einem Club, der sofort den Lärm herausfiltert und nur die 16 wichtigsten Signale (diejenigen, die tatsächlich Wutanfälle vorhersagen) durchlässt.
3. Die Entscheidung (Die KI): Die KI betrachtet einen winzigen Zeitabschnitt (48 Mikrosekunden – schneller als ein Blinzeln) und fragt: „Kommt ein Wutanfall?"
   • Sie klassifiziert den aktuellen Zustand (Ist es ruhig? Wird es wild?).
   • Sie berechnet die Wahrscheinlichkeit eines Wutanfalls.
4. Die Aktion (Der Regler): Wenn die KI sagt: „Ja, ein Wutanfall ist wahrscheinlich", sendet sie sofort ein Signal an einen separaten Regler. Dieser Regler feuert Magnete (Resonant Magnetic Perturbation coils), um das Plasma sanft zurück in eine sichere Form zu drücken und den Wutanfall zu stoppen, bevor er der Maschine schadet.

4. Die Superkraft: „Hot-Swapping" von Gehirnen

Der coolste Teil dieses Systems ist seine Flexibilität. Normalerweise müssen Sie, wenn Sie ändern wollen, wie ein Computerchip denkt, ihn auseinanderbauen, neu aufbauen und von vorne beginnen. Das dauert Tage.

Mit der SNL-Bibliothek kann das Team das Gehirn während des Betriebs aktualisieren.

• Die Analogie: Stellen Sie sich einen Koch vor, der ein Mahl zubereitet. Normalerweise müssen Sie, um das Rezept zu ändern, die gesamte Küche neu aufbauen. Mit diesem System kann der Koch einfach die Rezeptkarte sofort austauschen, ohne den Herd auszuschalten.
• In der Praxis: Sie können die KI innerhalb eines Sekundenbruchteils von „Wutanfälle vorhersagen" auf „Prüfen, ob das Plasma stabil ist" umschalten. Sie können auch die Mathematik (Gewichte und Bias-Werte) aktualisieren, um aus neuen Daten zu lernen, ohne die Maschine jemals abzuschalten.

5. Die Ergebnisse: Geschwindigkeit und Erfolg

• Geschwindigkeit: Der gesamte Prozess – vom Sehen der Daten bis zur Entscheidung – dauert etwa 5,28 Mikrosekunden. Das ist unglaublich schnell; es ist die Zeit, die ein Kolibri für einen Flügelschlag benötigt.
• Effizienz: Der Chip verbraucht sehr wenig Strom und Platz, sodass Raum für komplexere Aufgaben bleibt.
• Realwelt-Test: Sie haben dieses System erfolgreich während Live-Experimenten eingesetzt, um diese störenden Ereignisse vorherzusagen und zu unterdrücken, was beweist, dass es in einer realen, hochriskanten Umgebung funktioniert.

Zusammenfassung

Dieser Artikel zeigt, dass Wissenschaftler, indem sie eine intelligente, anpassungsfähige KI direkt auf die Hardware legen, die die Sensoren ausliest, nahezu sofort auf Probleme eines Fusionsreaktors reagieren können. Es ist, als würde man dem Reaktor einen Reflexbogen geben, der den langsamen „Denk"-Teil des Gehirns umgeht und ihm ermöglicht, Gefahren in Echtzeit zu umgehen. Dies ist ein entscheidender Schritt hin zum Bau von Fusionsreaktoren, die in Zukunft sicher und kontinuierlich betrieben werden können.

Technische Zusammenfassung

1. Problemstellung

Der DIII-D Tokamak-Fusionsreaktor benötigt Echtzeit-Steuerungssysteme, um die Plasmastabilität aufrechtzuerhalten und Störungen, insbesondere Edge Localized Modes (ELMs), zu verhindern. ELMs sind explosive Ereignisse, die Reaktorkomponenten beschädigen und den Einschluss verschlechtern können.

• Die Herausforderung: Herkömmliche Plasma-Steuerungssysteme stützen sich auf physikalisch informierte Modelle und empirische Regeln, denen oft die Anpassungsfähigkeit fehlt, um unvorhergesehene Übergänge nahe den Betriebsgrenzen zu bewältigen.
• Der Engpass: Obwohl maschinelles Lernen (ML) für Aufgaben wie die Vorhersage von Störungen überlegene Mustererkennung bietet, führt der Einsatz von ML-Modellen auf Standard-CPUs oder GPUs zu Latenzen (oft >1 ms), die mit den submillisekundengenauen Zeitvorgaben von Echtzeit-Tokamak-Steuerkreisläufen unvereinbar sind.
• Der Bedarf: Eine hardwarebeschleunigte Lösung ist erforderlich, um hochbandbreite Diagnosedaten (insbesondere Beam Emission Spectroscopy oder BES) mit Mikrosekunden-Latenz zu verarbeiten, um eine aktive, adaptive Steuerung zu ermöglichen.

2. Methodik

Die Autoren entwickelten und implementierten ein hardwarebeschleunigtes ML-Inferenzsystem, das direkt in das Echtzeit-Plasma-Steuerungssystem (PCS) von DIII-D integriert wurde.

• Hardware-Plattform:
  • Gerät: AMD/Xilinx KCU1500 FPGA (beherbergt ein Kintex-7 FPGA).
  • Standort: Direkt im PCIe-Bus des Echtzeit-Signalerfassungs-Knotens RTSTAB installiert.
  • Konnektivität: Nutzt High-Speed-InfiniBand zur Kommunikation mit dem Haupt-PCS-Host und den Aktor-Controllern.
• Software-Framework:
  • SLAC Neural Network Library (SNL): Ein hochleistungsfähiges, FPGA-basiertes Inferenz-Framework.
  • Workflow: Modelle werden remote auf HPC-Clustern mit Standard-Frameworks (PyTorch, TensorFlow, Keras) trainiert und unter Verwendung des AMD Vitis-Toolchains (High-Level Synthesis) für den FPGA-Einsatz kompiliert.
  • Hauptmerkmal: SNL unterstützt das dynamische Neuladen von neuronalen Netzwerk-Gewichten und -Bias-Werten zur Laufzeit, ohne dass eine vollständige Hardware-Resynthese (Neukompilierung des Bitstreams) erforderlich ist.
• Datenpipeline:
  • Eingang: 160 Diagnosekanäle (ECE, CO2, BES), digitalisiert mit 1 MSps.
  • Vorverarbeitung: Ein On-FPGA-Modul extrahiert 16 spezifische BES-Kanäle. Es konstruiert ein zeitliches Eingabefenster von 48 aufeinanderfolgenden Zeitscheiben (48 µs) pro Kanal.
  • Batching: Das System verarbeitet 18 Inferenz-Ereignisse (Frames) gleichzeitig in einem einzigen Zyklus, um den Durchsatz zu maximieren.
• Neuronale Netzwerk-Architektur:
  • Typ: Multi-Layer Perceptron (MLP), vollständig verbundene Feedforward-Topologie.
  • Eingang: 768 Merkmale ($48 \text{ Zeitscheiben} \times 16 \text{ Kanäle}$).
  • Versteckte Schichten: Zwei Schichten mit jeweils 50 Neuronen unter Verwendung der ReLU-Aktivierungsfunktion.
  • Ausgang: Konfigurierbar (1 bis 4 Neuronen) je nach Aufgabe (Binär für ELM-Erkennung vs. 4-Klassen für Einschlussregime).

3. Hauptbeiträge

• Echtzeit-FPGA-Einsatz: Erfolgreiche Integration einer ML-Inferenz-Engine direkt in das DIII-D-PCS, mit einer Inferenz-Latenz von 4,4–5,28 µs erreicht. Dies entspricht etwa 10 % des Datenaufnahmefensters und erfüllt strenge Echtzeitanforderungen.
• Dynamische Rekonfigurierbarkeit: Demonstrierte die Fähigkeit, neuronale Netzwerk-Gewichte und -Bias-Werte (und sogar Ausgangsschicht-Konfigurationen) während des Live-Betriebs experimentell zu hot-swap, ohne das System zu stoppen oder das FPGA neu zu synthetisieren. Dies ermöglicht:
  • Wechsel zwischen Aufgaben (z. B. ELM-Vorhersage vs. Klassifizierung des Einschlussregimes).
  • Kontinuierliche Modellverfeinerung zur Anpassung an „Concept Drift" (sich ändernde Reaktorbedingungen).
  • Maskierung ungenutzter Eingabekanäle, um Sensorausfälle oder Alterung zu kompensieren.
• End-to-End-Integration: Schaffung einer nahtlosen Pipeline von Hochgeschwindigkeits-Digitalisierern (1 MSps) über die FPGA-Inferenz bis zum Aktor-Steuerungssystem (Resonant Magnetic Perturbation-Spulen) zur ELM-Unterdrückung.
• Skalierbare Architektur: Das Design umfasst dedizierte Vor- und Nachverarbeitungslogik auf dem FPGA zur Handhabung von Daten-Batching (18 Frames/Zyklus) und paralleler Datenübertragung (8 Merkmale/Taktschlag), um eine optimale Ressourcennutzung sicherzustellen.

4. Ergebnisse

• Leistungsbenchmarks:
  • Latenz: Erreichte 5,28 µs für ein 4-Klassen-Klassifizierungsmodell.
  • Ressourcennutzung: Das Design ist hocheffizient und nutzt nur 5 % der DSPs, 8 % der Flip-Flops, 13 % der LUTs und 1 % des BRAM auf dem Kintex-7 FPGA. Dies lässt erheblichen Spielraum für komplexere Modelle oder Multitasking.
  • Timing: Das Design erfüllt die Timing-Bedingungen bei einer Taktfrequenz von 6 ns.
• Operative Validierung:
  • Das System wurde erfolgreich während Experimenten zur geschlossenen Regelkreis-ELM-Unterdrückung eingesetzt.
  • Bediener führten zwischen den Schüssen mehrere Gewichts-/Bias-Neuladezyklen durch, um das Modell anzupassen, was die Machbarkeit von Updates zur Laufzeit bewies.
  • Die abgeleitete ELM-Wahrscheinlichkeit ($P$) wurde erfolgreich an einen separaten Controller weitergeleitet, um die RMP-Spulen anzupassen, was einen funktionierenden Störungs-Mitigations-Kreislauf demonstrierte.

5. Bedeutung

• Ermöglichung zukünftiger Fusionsreaktoren: Diese Arbeit liefert eine kritische Vorlage für den reaktorrelevanten Betrieb in zukünftigen kontinuierlich betriebenen Fusionsgeräten (wie ITER oder DEMO), wo autonome, adaptive Steuerung für Sicherheit und Effizienz unerlässlich ist.
• Paradigmenwechsel in der Steuerung: Sie verlagert die Plasma-Steuerung von statischen, physikbasierten Regeln hin zu adaptiven, datengesteuerten Strategien, die in der Lage sind, nichtlineare Plasmadynamiken in Echtzeit zu bewältigen.
• Generalisierbarkeit: Obwohl an DIII-D demonstriert, dient die Architektur (SNL + FPGA + RTSTAB) als Blaupause für allgemeine ML-basierte Diagnoseverarbeitung in anderen Hochenergiephysik- und Industriesteuersystemen, die extrem niedrige Latenz erfordern.
• Ausblick: Die Autoren identifizieren, dass die Entfernung der CPU-basierten Middleware-Schicht (derzeit ein Engpass), um ein direktes Streaming vom Digitalisierer zum FPGA zu ermöglichen, die Latenz weiter reduzieren und eine echte kontinuierliche, ereignisgesteuerte Steuerung ermöglichen würde, ähnlich wie intelligente Trigger-Systeme in der Hochenergiephysik.

Zusammenfassend validiert dieses Papier, dass rekonfigurierbare, FPGA-beschleunigte ML nicht nur machbar, sondern für die nächste Generation autonomer Fusionsplasma-Steuerung unerlässlich ist und die Geschwindigkeit sowie Anpassungsfähigkeit bietet, die zur Bewältigung der komplexen, dynamischen Umgebung eines Tokamak-Reaktors erforderlich sind.