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

Dieser Beitrag stellt einen auf neuronalen Netzen basierenden Ansatz vor, der aus einer Bibliothek mit über einer Million simulierten Gleichgewichtszuständen in Echtzeit zustandsbewusste virtuelle Schaltkreise erzeugt und damit eine präzise und robuste unabhängige Regelung gekoppelter Plasmaformparameter für den Tokamak MAST Upgrade ermöglicht.

Das Wesentliche

Stellen Sie sich einen Tokamak (eine Art Fusionsreaktor) als einen riesigen, unsichtbaren Ballon aus extrem heißem Gas (Plasma) vor, der in einem magnetischen Käfig schwebt. Um zu verhindern, dass dieser Ballon platzt oder davon driftet, nutzen Wissenschaftler leistungsstarke Magnete (Spulen), um ihn zu komprimieren und zu formen.

Das Problem ist, dass diese Magnete wie ein verwirrtes Netz aus Schnüren wirken. Wenn Sie an einer Schnur ziehen, um den Ballon nach oben zu bewegen, könnte dies versehentlich dazu führen, dass er seitlich gequetscht oder in einer unerwünschten Weise gedehnt wird. Dies wird als „Kopplung" bezeichnet.

Der alte Weg: Die statische Karte

Um dieses Problem zu lösen, erstellten Wissenschaftler früher einen „Spickzettel" namens Virtueller Schaltkreis (Virtual Circuit, VC). Stellen Sie sich dies wie eine im Voraus gezeichnete Karte für einen bestimmten Zeitpunkt vor.

• Funktionsweise: Vor einem Experiment berechneten sie genau, wie die Schnüre gezogen werden müssen, um den Ballon in einer geraden Linie zu bewegen, unter der Annahme, dass der Ballon eine bestimmte Form beibehält.
• Der Fehler: Wenn der Ballon zu wackeln beginnt, seine Größe ändert oder von diesem exakten Punkt abweicht, wird die alte Karte unbrauchbar. Die Anweisungen entsprechen dann nicht mehr der Realität. Um dies zu beheben, mussten Wissenschaftler für jeden winzigen Schritt der Reise manuell neue Karten zeichnen, was langsam, mühsam war und einen Experten erforderte, der den Plan ständig anpasste.

Der neue Weg: Das intelligente GPS

Diese Arbeit stellt eine neue, intelligentere Methode zur Steuerung des Ballons mit Hilfe von Neuralen Netzen (eine Art Künstliche Intelligenz) vor.

Anstatt eine statische, im Voraus gezeichnete Karte zu verwenden, bauten die Forscher einen digitalen Zwilling des Plasmas.

1. Die Bibliothek: Sie erstellten eine riesige Bibliothek mit über einer Million simulierten Plasmaformen. Stellen Sie sich vor, Sie machen ein Foto des Ballons in jeder möglichen Position, Größe und jedem Wackeln, das er jemals haben könnte.
2. Das Gehirn: Sie trainierten eine KI (ein neuronales Netz), den aktuellen Zustand der Magnete zu betrachten und sofort vorherzusagen, wie die Form des Ballons sein wird.
3. Der Trick: Da diese KI auf Mathematik basiert, die eine sofortige „Rückwärtsentwicklung" (differenzierbare Funktionen) ermöglicht, kann sie sofort die Frage beantworten: „Wenn ich möchte, dass sich der Ballon 5 Millimeter nach rechts bewegt, wie genau muss ich dann jeden der 10 Magnete anpassen?"

Warum dies eine große Sache ist

• Echtzeit-Bewusstsein: Die alte Methode war wie das Fahren mit einer Karte von gestern. Diese neue Methode ist wie ein Live-GPS, das die beste Route jede Millisekunde neu berechnet, während sich die Straße (das Plasma) verändert.
• Das Entwirren der Knoten: Die KI ist so gut darin, dass sie die perfekte Kombination von Magnetanpassungen ermitteln kann, um den Ballon in eine Richtung zu bewegen, ohne versehentlich die anderen Richtungen zu stören. Sie „entwirrt" effektiv die Knoten im Steuerungssystem sofort.
• Geschwindigkeit: Die Berechnung dieser Anweisungen auf die alte Weise dauerte Sekunden (zu langsam für eine Echtzeitsteuerung). Die KI erledigt dies in Mikrosekunden.

Die Ergebnisse

Die Forscher testeten dieses „intelligente GPS" an der Fusionsmaschine MAST-U.

• Genauigkeit: Für den Hauptkörper des Plasmas war die KI unglaublich präzise und machte nur winzige Fehler (weniger als 5 %).
• Die kniffligen Teile: Bei der Steuerung der sehr Spitzen des Plasmas (wo es die Reaktorwände berührt) war sie etwas weniger perfekt, mit Fehlern von bis zu 15 %. Die Arbeit stellt fest, dass dies nicht daran liegt, dass die KI schlecht ist, sondern dass diese spezifischen Teile naturgemäß sehr schwer unabhängig voneinander zu steuern sind, selbst für die besten menschlichen Experten.
• Zuverlässigkeit: Durch die Verwendung eines „Teams" aus acht leicht unterschiedlichen KI-Modellen (ein Ensemble) anstatt nur eines machten sie das System noch robuster und zuverlässiger.

Das Fazit

Diese Arbeit beweist, dass wir langsame, manuelle, im Voraus berechnete Karten durch ein schnelles, intelligentes, sich selbst aktualisierendes System ersetzen können. Dies ermöglicht es dem Fusionsreaktor, seine Form perfekt zu bewahren, selbst wenn sich das Plasma schnell entwickelt, und ebnet den Weg für stabilere und effizientere Fusionsenergie-Experimente. Die Methode wurde speziell für die MAST-U-Maschine entwickelt, ist jedoch so aufgebaut, dass sie in Zukunft auf jeden ähnlichen Fusionsreaktor angewendet werden kann.

Technische Zusammenfassung

Technische Zusammenfassung: Echtzeit-Virtual-Circuits zur Formkontrolle von Plasmen mittels neuronaler Netzwerke-Emulatoren

Problemstellung
Eine zuverlässige Positions- und Formkontrolle von Plasmen in Tokamaks, wie dem MAST Upgrade (MAST-U), erfordert die präzise Echtzeit-Regelung stark gekoppelter Formparameter. Aktuelle Steuerungssysteme nutzen „Virtual Circuits" (VCs) – linearisierte Abbildungen, die kleine Änderungen in den Strömen der poloidalen Feldspulen (PF) mit Variationen spezifischer Formparameter um ein Referenz-Gleichgewicht nach Grad–Shafranov (GS) verknüpfen. Diese VCs entkoppeln das Regelungsproblem effektiv und ermöglichen eine unabhängige Regelung von Parametern wie X-Punkt-Lagen und Divertor-Striktionspunkten.

Die Berechnung von VCs in Echtzeit mittels numerischer Solver ist jedoch aufgrund von Latenzanforderungen rechnerisch untragbar. Folglich verlassen sich bestehende Systeme auf vorausberechnete Schedules von VCs, die aus einer begrenzten Menge von Referenzgleichgewichten abgeleitet wurden, die entlang einer gewünschten Trajektorie gesampelt wurden. Dieser Ansatz weist zwei primäre Einschränkungen auf:

1. Lokale Gültigkeit: Wenn sich das Plasma vom spezifischen Referenzgleichgewicht entfernt, verschlechtert sich die Linearisierung, was zu unerwünschten Kopplungen zwischen Formparametern und einer verschlechterten Reglerleistung führt.
2. Manuelle Komplexität: Der Arbeitsablauf ist hochgradig manuell und erfordert das Eingreifen von Experten zur Auswahl von Referenzgleichgewichten und zur Abstimmung von Regelphasen, was die Entwicklung robuster Strategien für sich schnell entwickelnde Szenarien erschwert.

Methodik
Die Autoren schlagen ein auf maschinellem Lernen basierendes Framework vor, um statische, vorausberechnete VC-Schedules durch „zustandsbewusste" VCs zu ersetzen, die von neuronalen Netzwerk- (NN) Emulatoren abgeleitet werden. Die Methodik durchläuft drei Hauptstadien:

1. Generierung einer synthetischen Gleichgewichts-Bibliothek:

   • Anstatt sich ausschließlich auf begrenzte historische Entladungsdaten zu verlassen, generierten die Autoren eine Bibliothek mit über 1,6 Millionen synthetischen MAST-U GS-Gleichgewichten unter Verwendung des Free-Boundary-Gleichgewichts-Codes FreeGSNKE.
   • Ein Markov-Chain-Monte-Carlo (MCMC)-Ansatz wurde eingesetzt, um den Eingaberaum zu erkunden, wobei 3.999 „Seed"-Gleichgewichte aus historischen Schüssen als Startpunkte dienten. Dies stellte eine dichte Abdeckung gewünschter Betriebsregionen sicher, deckte gleichzeitig jedoch einen breiten Parameterraum ab, einschließlich sowohl begrenzter als auch divertierter Konfigurationen.
   • Der Datensatz wurde gefiltert, um eine robuste Berechnung des Striktionspunkts ($R_{strike}$) sicherzustellen, indem eine Übereinstimmung zwischen drei verschiedenen Berechnungsmethoden gefordert wurde. Dies ergab einen finalen Datensatz von 918.124 Gleichgewichten.

2. Training neuronaler Netzwerke:

   • Feedforward-neuronale Netzwerke wurden trainiert, um die Abbildung von Eingabeparametern (PF-Spulenströme, Gesamtplasmaström und „Lao85"-Profilparameter) auf sieben Schlüssel-Ausgangsformparameter ($R_{in}, R_{out}, R_X, Z_X, R_{strike}, R_{nose}, S_{gap}$) zu emulieren.
   • Die Autoren entschieden sich explizit dafür, NNs zu trainieren, um die Formparameter ($P$) vorherzusagen, anstatt die Jacobi-Matrizen direkt. Dies ermöglicht es, die Sensitivitätsmatrix ($S = \partial P / \partial I_{shape}$) über automatische Differentiation oder Finite-Differenzen abzuleiten, wodurch die Notwendigkeit eines deutlich größeren Modells und Datensatzes vermieden wird, die für die direkte Vorhersage von Jacobi-Matrizen erforderlich wären.
   • Ein Ensemble aus acht leistungsstärksten Modellen wurde konstruiert, um die Varianz zu reduzieren und die Robustheit zu verbessern.

3. Ableitung von Virtual Circuits:

   • Die trainierten NNs stellen differenzierbare Funktionen bereit. Die Sensitivitätsmatrix $S$ wird schnell berechnet, indem entweder automatische Differentiation (AD) oder Finite-Differenzen (FD) auf das Ensemble-Ergebnis angewendet werden.
   • Die VC-Matrix $V$ wird dann als Pseudoinverse von $S$ abgeleitet. Da die NN-Inferenz um Größenordnungen schneller ist als die Lösung der GS-Gleichung, können diese VCs in Echtzeit basierend auf dem instantanen Plasmazustand berechnet werden.

Hauptergebnisse
Die Autoren führten eine umfangreiche statische Validierung durch, indem sie VC-abgeleitete Stromstörungen auf einen Testdatensatz von 5.000 Gleichgewichten anwendeten und die resultierende Plasmaantwort mit FreeGSNKE bewerteten.

• Genauigkeit: Das Ensemble von NN-Modellen zeigte eine hohe Vorhersagegenauigkeit für Formparameter, mit Root-Mean-Square-Fehlern (RMSE) im Millimeterbereich für Kernparameter.
• VC-Leistung:
  • Ensemble vs. Einzelmodell: Der Ensemble-Ansatz übertraf konsistent die besten einzelnen Modelle und ergab schmalere Verteilungen der realisierten Verschiebungen sowie niedrigere Fehler (typischerweise <5% für Kernparameter).
  • AD vs. FD: Automatische Differentiation und Finite-Differenzen erzeugten vergleichbare Ergebnisse für Kernformparameter, mit Fehlern im Bereich von 1–5%. Dies bestätigt, dass die Emulatoren für die berechnungsbasierte Ableitung mittels AD hinreichend glatt sind.
  • Vergleich mit physikbasierten VCs: Die vom Emulator abgeleiteten VCs stimmten eng mit der Leistung von VCs überein, die über Finite-Differenzen-GS-Lösungen berechnet wurden (der physikbasierte Referenzwert). Während GS-basierte VCs die genauesten blieben, zeigte der emulatorbasierte Ansatz nur eine moderate Verschlechterung der Genauigkeit für Kernparameter.
• Einschränkungen: Größere Abweichungen wurden für divertorbezogene Parameter beobachtet, insbesondere für den Striktionspunkt ($R_{strike}$), mit Fehlern von bis zu 15–25%. Die Autoren führen dies auf die inhärente Schwierigkeit zurück, diese spezifischen Parameter mit dem verfügbaren MAST-U-Spulen-Set zu entkoppeln, und stellen fest, dass dieses Verhalten auch bei physikbasierten GS-VCs vorhanden ist.

Bedeutung und Behauptungen
Die Arbeit behauptet, die physikalische Validität emulierter VCs als skalierbare und allgemeine Alternative zu vorausberechneten Schedules zu etablieren. Die primäre Bedeutung dieser Arbeit liegt in:

1. Echtzeit-Zustandsbewusstsein: Der Ansatz ermöglicht die Berechnung von VCs direkt aus dem Plasmazustand in Echtzeit und beseitigt die Abhängigkeit von einer lokalen Linearisierung um feste Referenzpunkte. Dies erlaubt es dem Steuerungssystem, wirksam zu bleiben, wenn sich das Plasma von nominalen Bedingungen entfernt.
2. Automatisierung und Robustheit: Durch die dynamische Generierung von VCs reduziert die Methode den Bedarf an manueller Experteneingabe bei der Auswahl von Referenzgleichgewichten und der Abstimmung von Regelphasen und vereinfacht so die Entwicklung robuster Regler für komplexe Szenarien.
3. Geräteunabhängigkeit: Obwohl für MAST-U entwickelt, ist die Methodik geräteagnostisch. Sie beruht lediglich auf einem Datensatz von GS-Gleichgewichten, der für jede Tokamak-Konfiguration generiert werden kann, was den Ansatz direkt auf andere Geräte übertragbar macht.
4. Interpretierbarkeit: Die Methode behält das vertraute, interpretierbare VC-basierte Regelungsframework bei und dient als minimale Erweiterung bestehender Plasma Control System (PCS)-Architekturen anstatt als vollständiger Paradigmenwechsel.

Die Autoren schließen, dass dieser auf neuronalen Netzwerken basierende Ansatz einen vielversprechenden Weg zu einer adaptiveren und zugänglicheren Plasmasteuerung bietet, der hohe Genauigkeit mit der für den Echtzeit-Einsatz erforderlichen Rechengeschwindigkeit in Einklang bringt.