Robust Control of ECH Deposition Profiles on DIII-D

Die Arbeit präsentiert die Entwicklung und experimentelle Validierung des Echtzeit-ECH-Optimierungsalgorithmus (ECHO) auf DIII-D, welcher ein neuronales Netzwerk-Surrogat des TORBEAM-Codes sowie einen genetischen Optimierer nutzt, um die Depositionsprofile der Elektronen-Zyklotron-Heizung trotz Gyrotron-Ausfällen und Variationen der Plasmaparameter robust zu steuern.

Das Wesentliche

Das große Ganze: Der „intelligente Thermostat“ für einen Stern

Stellen Sie sich einen Tokamak (die Maschine im DIII-D-Experiment) wie einen riesigen, superheißen Ofen vor, der versucht, einen Stern zu kochen. Um diesen Stern stabil und heiß genug zu halten, um Energie zu erzeugen, müssen Wissenschaftler Strahlen von Mikrowellenenergie (genannt Elektronen-Zyklotron-Heizung oder ECH) in ganz bestimmte Stellen innerhalb des Ofens schießen.

Betrachten Sie diese Mikrowellenstrahlen wie Scheinwerfer, die in einen dunklen Raum leuchten.

• Das Problem: Der „Raum“ (das Plasma) bewegt sich ständig, verändert seine Form und manchmal gehen die Scheinwerfer (Gyrotronen) kapusch. Wenn Sie einen Scheinwerfer auf eine Wand richten, die sich plötzlich bewegt, trifft das Licht den falschen Punkt. Wenn ein Scheinwerfer ausfällt, entsteht ein dunkler Fleck.
• Der alte Weg: Früher programmierten Wissenschaftler die Scheinwerfer so, dass sie vor dem Experiment auf einen bestimmten Punkt zielen. Wenn sich der Raum bewegte oder ein Licht ausfiel, war die Ausrichtung falsch und das Experiment konnte scheitern.
• Der neue Weg (ECHO): Die Forscher haben ein „smartes Gehirn“ namens ECHO entwickelt. Es fungiert wie ein super-schneller, selbstkorrigierender Thermostat. Es prüft ständig, wo der Raum ist, kontrolliert, welche Lichter funktionieren, und sagt jedem Scheinwerfer sofort, wohin er leuchten muss und wie hell er strahlen soll, um das perfekte Ziel zu treffen.

Wie das „smarte Gehirn“ funktioniert

Die Arbeit beschreibt ein zweiteiliges System, das dies ermöglicht:

1. Die Kristallkugel (TorbeamNN)
Um zu wissen, wo das Licht landen wird, muss man normalerweise eine komplexe physikalische Simulation durchführen. Aber diese Simulationen sind langsam – wie der Versuch, das Wetter von Hand zu berechnen, während man ein Auto fährt.

• Die Innovation: Das Team trainierte ein KI-Modell namens TorbeamNN. Betrachten Sie diese KI als eine „Kristallkugel“, die Millionen von physikalischen Simulationen auswendig gelernt hat.
• Die Geschwindigkeit: Anstatt 50 Millisekunden zu benötigen, um zu berechnen, wohin das Licht gelangt, erledigt die KI dies in 0,3 Millisekunden. Es ist, als würde man einen langsamen Taschenrechner gegen einen Supercomputer austauschen. Dies ermöglicht es dem System, Entscheidungen schneller zu treffen, als sich das Plasma bewegen kann.

2. Der Großmeister (Der Genetische Optimierer)
Sobald die KI weiß, wohin das Licht gehen kann, muss das System entscheiden, welche Lichter es verwenden und wie es sie ausrichten soll, um eine bestimmte Form (das „Zielprofil“) zu erreichen.

• Der Prozess: Stellen Sie sich vor, Sie haben 10 Scheinwerfer und müssen eine bestimmte Form an die Wand malen. Sie könnten jede Kombination ausprobieren, aber das dauert ewig. Stattdessen agiert der „Genetische Optimierer“ wie ein Schachgroßmeister.
• Evolution: Er probiert einige zufällige Anordnungen der Lichter aus. Er sieht, welche davon dem Ziel am nächsten kommen. Er behält die besten, mischt deren Einstellungen (wie das Mischen zweier guter Rezepte) und nimmt winzige zufällige Anpassungen vor. Er wiederholt diesen Prozess tausende Male in einem Sekundenbruchteil, bis er die perfekte Anordnung gefunden hat.

Was geschah in den Experimenten?

Das Team testete dieses System an der DIII-D-Maschine und bewies, dass es in drei schwierigen Szenarien funktioniert:

1. Das bewegliche Ziel (Veränderliches Plasma)

• Das Szenario: Das Plasma innerhalb der Maschine bewegte sich um 10 Zentimeter auf und ab (eine riesige Distanz für ein Teilchen).
• Das Ergebnis: Das ECHO-System bemerkte die Bewegung sofort. Es passte die Winkel der Spiegel der Gyrotronen so an, dass die Strahlen fest auf denselben Punkt relativ zum Plasma gerichtet blieben, obwohl das Plasma selbst herumtanzte.

2. Das kaputte Licht (Hardwarefehler)

• Das Szenario: Eines der Gyrotrone (ein Scheinwerfer) starb mitten im Experiment plötzlich ab.
• Das Ergebnis: In der Vergangenheit hätte dies das Experiment ruiniert. ECHO jedoch erkannte sofort: „Oh, wir haben ein Licht verloren.“ Es berechnete sofort den Plan neu und wies die verbleibenden Lichter an, ihre Positionen und ihre Leistung zu verschieben, um die Lücke zu füllen. Die Zielform wurde trotz des defekten Teils fast perfekt beibehalten.

3. Sich ändernde Regeln (Magnetfeldverschiebungen)

• Das Szenario: Das Magnetfeld, das das Plasma zusammenhält, wurde drastisch verändert.
• Das Ergebnis: Das System passte die Ausrichtung der Strahlen an, um die neue Physik zu kompensieren, was zeigte, dass es extreme Veränderungen in der Umgebung bewältigen kann.

Warum das wichtig ist

Die Autoren behaupten, dass dieses System ein großer Schritt nach vorn ist, weil es robust ist.

• Alte Systeme: Wenn man ein Teil verliert, scheitert der gesamte Plan.
• ECHO-System: Es betrachtet die Gyrotronen als ein Team. Wenn ein Teammitglied ausfällt, passen sich die anderen sofort an, um den Job zu vollenden.

Die Autoren kommen zu dem Schluss, dass diese Technologie bereit für zukünftige Fusionskraftwerke (FPPs) ist. In einem echten Kraftwerk kann man es sich nicht leisten, dass die Maschine abschaltet, nur weil ein Heizer ausfällt. ECHO liefert die „fail-safe“ Intelligenz, die benötigt wird, um die Fusionsreaktion auch dann reibungslos am Laufen zu halten, wenn Dinge schieflaufen.

Zusammenfassung

Die Arbeit präsentiert ein neues Steuerungssystem (ECHO), das eine schnelle KI nutzt, um vorherzusagen, wo Mikrowellenstrahlen landen werden, und einen intelligenten Algorithmus, um diese Strahlen sofort anzupassen. Dies ermöglicht es dem System, ein präzises Ziel innerhalb eines Fusionsreaktors zu treffen, selbst wenn der Reaktor sich bewegt, seine Form verändert oder ein Teil seiner Ausrüstung ausfällt. Es verwandelt einen fragilen, vorprogrammierten Prozess in einen flexiblen, selbstkorrigierenden Prozess.

Technische Zusammenfassung

Technische Zusammenfassung: Robuste Steuerung von ECH-Absorptionsprofilen auf DIII-D

Problemstellung
Elektronenzyklotron-Heizung (ECH) ist ein kritischer Aktuator für Tokamak-Reaktoren, da sie zur Hilfsheizung, zum lokalisierten Stromantrieb und zur MHD-Stabilitätskontrolle dient. Im Gegensatz zu anderen RF-Heizmethoden, die auf Antennen und festen Deponierungsorten basieren, die durch Plasmaparameter bestimmt werden, nutzt ECH steuerbare Spiegel, um Strahlengänge und Deponierungsorte in Echtzeit anzupassen. Die präzise Steuerung des gesamten ECH-Absorptionsprofils ist jedoch aufgrund der Komplexität des Ray-Tracing, der Notwendigkeit der gleichzeitigen Koordination mehrerer Gyrotronen und der Anforderung an Robustheit gegenüber Hardwarefehlern und dynamischen Plasmazuständen eine Herausforderung. Bestehende Echtzeit-Ray-Tracing-Codes (z. B. reduziertes TORBEAM) sind oft zu langsam, um mehrere Konfigurationen für eine Optimierung zu explorieren, oder berechnen lediglich die Position der Spitzenabsorption anstatt vollständiger Absorptionsprofile. Zudem behandeln traditionelle Steuerungsstrategien Gyrotronen oft als unabhängige Einheiten statt als kollektives System, was die Fähigkeit zur Multitasking-Anwendung oder zur Erholung von Aktuatorfehlern einschränkt.

Methodik
Die Autoren entwickelten den ECH Optimization (ECHO) Algorithmus, ein Echtzeit-Steuerungsframework, das darauf ausgelegt ist, ein Ziel-ECH-Radialprofil durch die Optimierung der Spiegelwinkel und der Leistung (über Duty-Cycle-Modulation) aller verfügbaren Gyrotronen abzugleichen. Die Methodik besteht aus drei Primärkomponenten:

1. TorbeamNN Surrogatmodell: Um die Rechenlatenz von hochpräzisem Ray-Tracing (TORBEAM) zu überwinden, trainierten die Autoren ein maschinelles Lernmodell (ML-Surrogatmodell) basierend auf dem TORBEAM-Code. Dieses neuronale Netzwerk nimmt Echtzeit-Plasmazustandsparameter (Gleichgewichtszustand, Elektronen-Temperatur- und Dichteprofile) sowie die Spiegelwinkel der Gyrotronen als Eingabe. Als Ausgabe liefert es parametrisierte Gauß-Profile (Zentrum $\mu$, Breite $\sigma$ und Spitzenamplitude $A$) für die ECH-Deposition. Das Modell wurde mit über 2,2 Millionen Ray-Trace-Berechnungen aus 4.168 eindeutigen DIII-D-Shots trainiert. Um die Echtzeit-Leistungsfähigkeit zu gewährleisten, läuft das Modell parallel für jede Gyrotron und jeden poloidalen Winkel und generiert eine Nachschlagetabelle in etwa 0,32 ms (eine Beschleunigung um den Faktor >100 gegenüber optimiertem Echtzeit-TORBEAM).
2. Genetischer Algorithmus zur Optimierung: Ein genetischer Optimierer durchsucht die vorberechnete Nachschlagetabelle, um die optimale Kombination aus Spiegelwinkeln und Duty-Cycles für die verfügbaren Gyrotronen zu finden. Der Algorithmus minimiert den mittleren quadratischen Fehler zwischen dem Zielprofil und dem vorhergesagten Gesamtabsorptionsprofil. Er integriert „Trägheit“, indem er einen Prozentsatz der besten Lösungen aus dem vorherigen Zyklus bewahrt, um unnötige Hardwarebewegungen bei stabilen Bedingungen zu verhindern, während er dennoch eine schnelle Anpassung an signifikante Änderungen ermöglicht.
3. PCS-Implementierung: Das System ist in das DIII-D Plasma Control System (PCS) integriert. Es erhält Echtzeit-Plasmazustandsdaten von RT-EFIT und RTCAKENN, berechnet die optimale Konfiguration und sendet Hardwarebefehle an die Gyrotronen. Die gesamte Regelschleife arbeitet mit einer Zykluszeit von 50 ms.

Wesentliche Beiträge

• Echtzeit-Optimierung des vollständigen Profils: Im Gegensatz zu früheren ML-Surrogaten, die sich nur auf die Spitzenabsorption konzentrierten, sagt TorbeamNN vollständige ECH-Absorptionsprofile voraus, was die Optimierung der gesamten radialen Heizverteilung ermöglicht.
• Koordinierte Multi-Gyrotron-Steuerung: Das Framework behandelt das Gyrotron-Array als kollektive Einheit, die Leistung und Winkel intelligent verteilt, um ein einzelnes Zielprofil abzugleichen, anstatt einzelnen Gyrotronen unabhängige Aufgaben zuzuweisen.
• Robustheit gegenüber Fehlern: Der Algorithmus ist aktuatorunabhängig konzipiert. Im Falle eines Gyrotron-Ausfalls während eines Shots reoptimiert ECHO sofort die verbleibenden funktionstüchtigen Gyrotronen, um das Zielprofil bestmöglich zu approximieren, anstatt sich auf vorprogrammierte Szenarien zu verlassen, die in diesem Fall fehlschlagen würden.
• Anpassungsfähigkeit an dynamische Bedingungen: Das System passt Spiegelwinkel und Leistungen automatisch als Reaktion auf sich ändernde Plasmazustände an, wie z. B. vertikale Plasmaverschiebungen oder Variationen im toroidalen Magnetfeld ($B_T$), um ein konstantes Deponierungsprofil relativ zur normierten Flusskoordinate ($\rho$) aufrechtzuerhalten.

Experimentelle Ergebnisse
Der ECHO-Algorithmus wurde in mehreren DIII-D-Experimenten eingesetzt und validiert (z. B. Shots 205902, 205838, 205907, 205905):

• Validierung: Die durch TorbeamNN vorhergesagten ECH-Absorptionsprofile und die resultierenden Hardwarebefehle wurden mittels Electron Cyclotron Emission (ECE)-Messungen unter Verwendung von Flux Fit (FF) und anderen inversen Methoden validiert. Die Zentren der gemessenen Absorptionsprofile stimmten mit den Ziel- und TORBEAM-Vorhersagen innerhalb von $\lesssim 0,05$ in $\rho$ überein.
• Dynamische Verfolgung: Das System verfolgte erfolgreich ein konstantes Zielprofil, während das Plasma signifikante vertikale Verschiebungen (> 10 cm) und schnelle Änderungen im toroidalen Magnetfeld durchlief, wobei die Spiegelwinkel entsprechend angepasst wurden.
• Fehlerbehandlung: In Shot 205907 trat ein Gyrotron-Ausfall (Gyrotron 5) während des Shots auf. ECHO erkannte den Fehler und reoptimierte die verbleibenden Gyrotronen (1, 2 und 4), um die Leistung umzuverteilen, wodurch das Absorptionsprofil erfolgreich wiederhergestellt wurde. Eine ähnliche Fehlervermeidung wurde in Shot 205838 demonstriert, als Gyrotron 4 ausfiel.
• Profilformung: Der Algorithmus demonstrierte die Fähigkeit, schnell zwischen verschiedenen Zielprofilen (z. B. einspitzig zu zweispitzig) innerhalb einer einzigen Entladung zu wechseln.

Bedeutung und Ansprüche
Das Paper behauptet, dass ECHO einen bedeutenden Fortschritt in der Echtzeit-Plasmasteuerung darstellt, indem es die Lücke zwischen Offline-Integrationsmodellierung und Echtzeit-Hardware-Aktuierung schließt. Durch die Nutzung eines ML-Surrogats für schnelles Ray-Tracing und eines genetischen Optimierers für das kollektive Aktuatormanagement erreicht das System:

1. Präzision: Genaue Abstimmung komplexer ECH-Absorptionsprofile in Echtzeit.
2. Robustheit: Die Fähigkeit, Kontrollziele trotz unvorhersehbarer Gyrotron-Ausfälle aufrechtzuerhalten, eine kritische Anforderung für zukünftige kommerzielle Fusionskraftwerke (FPPs), in denen Aktuatorredundanz und Fehlertoleranz essenziell sind.
3. Flexibilität: Die Kapazität, vielfältige Physik-Experimente (z. B. Tearing-Mode-Unterdrückung, Impurity Pump-out, Sawtooth-Kontrolle) zu unterstützen, ohne für jedes Szenario kundenspezifische Controller-Designs zu benötigen.

Die Autoren merken an, dass die aktuelle Implementierung eine Gauß-Parametrisierung verwendet, die in der Nähe des Plasmakerns und des Plasmarandes Einschränkungen haben kann, die erreichte Genauigkeit jedoch für die Echtzeitsteuerung ausreichend ist und qualitativ überlegen gegenüber typischen Feedforward-Ansätzen ist. Das Framework wird als skalierbare Lösung für zukünftige Geräte wie ITER und FPPs präsentiert, bei denen die Anzahl der Gyrotronen und die Notwendigkeit einer fehlertoleranten Steuerung noch kritischer sein werden.