TorbeamNN: Machine learning based steering of ECH mirrors on KSTAR

El artículo presenta TorbeamNN, un modelo de aprendizaje automático que acelera más de 100 veces la predicción de la ubicación del calentamiento y corriente de electrones en el tokamak KSTAR sin sacrificar precisión, permitiendo un seguimiento en tiempo real de objetivos de absorción con un error promedio mínimo de 0,5 cm.

Lo esencial

Imagina que el KSTAR es una gigantesca "olla de presión" cósmica donde intentamos recrear la energía del sol (fusión nuclear) para generar electricidad limpia. Para mantener esta olla hirviendo, necesitamos inyectar una cantidad enorme de energía, como si fuera un láser de microondas súper potente. A esto le llamamos Calentamiento por Ciclotrón de Electrones (ECH).

El problema es que el plasma (el gas supercaliente dentro de la olla) no es un espacio vacío; es como un océano turbulento y cambiante. Cuando disparas tu "láser de microondas", las ondas no viajan en línea recta; se doblan y desvían al chocar con el plasma, como si lanzaras una pelota de béisbol a través de un viento fuerte y cambiante.

Si quieres calentar un punto específico del plasma (por ejemplo, para evitar que se formen burbujas peligrosas o para mantener la estabilidad), tienes que apuntar con extrema precisión. Si fallas por un centímetro, el calor no llega donde debe y el experimento falla.

El Problema: El "GPS" era demasiado lento

Antes de este trabajo, los científicos usaban un programa llamado TORBEAM para calcular hacia dónde iría el láser. Era como tener un GPS muy preciso, pero que tardaba mucho en calcular la ruta.

• La situación: El plasma cambia muy rápido (en milisegundos).
• El cuello de botella: El programa tardaba unos 10 milisegundos en decirte dónde caería el láser. En el mundo de la fusión, eso es una eternidad. Para cuando el programa te daba la respuesta, el plasma ya había cambiado de forma y tu cálculo era obsoleto. Era como intentar conducir un coche de Fórmula 1 mirando un mapa de papel que se actualiza cada 10 segundos; te estrellarías.

La Solución: TorbeamNN (El "Intuitivo" Rápido)

Aquí es donde entra TorbeamNN. Los autores crearon un modelo de Inteligencia Artificial (Machine Learning) que actúa como un "supercerebro" entrenado.

La analogía perfecta:
Imagina que TORBEAM es un matemático genio que resuelve una ecuación compleja desde cero cada vez que le preguntas algo. Tarda mucho, pero es muy preciso.
TorbeamNN es como un piloto de carreras veterano con una memoria fotográfica. Ha visto millones de situaciones similares (millones de cálculos del matemático). Cuando le preguntas "¿Hacia dónde va el láser si apunto así?", no hace cálculos; recuerda la respuesta casi instantáneamente basándose en su experiencia.

¿Cómo funciona TorbeamNN?

1. Entrenamiento: Los científicos le dieron al modelo de IA millones de ejemplos de cómo se comportaba el láser en diferentes condiciones del plasma (usando datos reales de KSTAR).
2. Velocidad: Una vez entrenado, TorbeamNN es más de 100 veces más rápido que el programa original.
   • Antes: 10 milisegundos (demasiado lento para reaccionar a cambios rápidos).
   • Ahora: 0.05 milisegundos (50 microsegundos). ¡Es instantáneo!
3. Precisión: Lo increíble es que, aunque es un "atajo" inteligente, es tan preciso como el cálculo matemático completo. No pierde calidad por ganar velocidad.

El Experimento en KSTAR

En el laboratorio KSTAR (Corea del Sur), probaron este sistema en tiempo real:

• El objetivo: Mantener el haz de microondas apuntando a un punto específico en el plasma, incluso cuando el plasma se movía o cambiaba de forma.
• El resultado: El sistema logró seguir el objetivo con un error promedio de apenas 0.5 centímetros.
• La magia: Mientras el plasma cambiaba dinámicamente (como intentar mantener el equilibrio sobre una tabla de surf en una ola que se rompe), TorbeamNN ajustaba los espejos que dirigen el láser tan rápido que el haz siempre caía en el lugar correcto.

¿Por qué es importante esto?

Piensa en el futuro. Queremos que las plantas de energía de fusión no solo funcionen, sino que sean inteligentes.

• Si el plasma empieza a volverse inestable (como una tormenta repentina), el sistema debe reaccionar en milésimas de segundo para "apagar" la tormenta antes de que destruya la olla.
• Con la velocidad de TorbeamNN, el sistema de control puede tomar decisiones mucho más rápidas, ajustar múltiples objetivos a la vez y mantener la fusión estable de forma segura.

En resumen:
TorbeamNN es como cambiar de un GPS lento y pesado por un copiloto de carreras con instinto de atleta. Permite que la energía de fusión se controle con una agilidad y precisión que antes era imposible, acercándonos un paso más a la energía infinita y limpia del sol.

Resumen técnico

Resumen Técnico: TorbeamNN

1. El Problema

En los reactores de fusión como KSTAR y el futuro ITER, el calentamiento por ciclotrón de electrones (ECH) y el impulso de corriente (ECCD) son fundamentales para el control del plasma (supresión de modos de tearing neoclásicos, control de inestabilidades, etc.). Para lograr estos objetivos, es necesario dirigir con precisión las ondas de radiofrecuencia (RF) hacia ubicaciones específicas de absorción en el plasma.

El desafío principal radica en la latencia computacional:

• Los códigos de trazado de rayos físicos basados en primeros principios, como TORBEAM, son precisos pero computacionalmente costosos. Aunque existen versiones optimizadas en tiempo real, tardan aproximadamente 10 ms en calcular la trayectoria.
• Este retraso es problemático para el control de plasma dinámico, donde fenómenos transitorios como los Edge Localized Modes (ELMs) o los "sawteeth" ocurren en escalas de tiempo de 20-50 ms. Un retraso de 10 ms en el cálculo impide una respuesta rápida y precisa del sistema de control.
• Además, la versión en tiempo real de TORBEAM a menudo requiere perfiles de temperatura electrónica ($T_e$) completos en tiempo real, los cuales no siempre están disponibles o son difíciles de reconstruir con la precisión necesaria en todos los tokamaks actuales.

2. Metodología

Los autores desarrollaron TorbeamNN, un modelo sustituto (surrogate model) basado en aprendizaje automático (ML) diseñado para reemplazar al código físico TORBEAM en el bucle de control en tiempo real.

• Generación de Datos:
  • Se utilizaron datos experimentales de la campaña 2024 de KSTAR (divertor de tungsteno).
  • Se generó un conjunto de datos masivo ejecutando el código TORBEAM de alta fidelidad (offline) 647,267 veces sobre 336 disparos experimentales, cubriendo un amplio rango de ángulos de los espejos, formas del plasma y parámetros magnéticos.
  • Se crearon 6 modelos separados (uno para cada lanzador de girotrón: EC2, EC4, EC5, y para cada modo de operación: O y X), ya que la física de absorción difiere significativamente entre modos.
• Arquitectura del Modelo:
  • Entradas: Ángulos de los espejos (poloidal y toroidal), campo magnético toroidal ($B_T$), corriente del plasma ($I_P$), parámetros de equilibrio magnético (radio mayor, elongación, inductancia interna, volumen), presión normalizada ($\beta_N$) y un perfil de densidad electrónica ($n_e$) estimado en tiempo real (basado en 3 puntos clave: núcleo, fuera del eje y borde).
  • Salidas: Posición de absorción máxima (coordenadas $R$, $Z$ y $\rho_{pol}$) y eficiencia de impulso de corriente ($\eta_{CD}$).
  • Red Neuronal: Una arquitectura de 3 capas densas con 60 neuronas cada una, usando funciones de activación ReLU y una capa final lineal. Entrenado con el optimizador Adam.
• Despliegue:
  • Los modelos de Keras se convirtieron a funciones C compatibles con el Sistema de Control del Plasma (PCS) de KSTAR utilizando la biblioteca keras2c.

3. Contribuciones Clave

• Aceleración Extrema: TorbeamNN logra una aceleración de más de 100 veces en comparación con la implementación en tiempo real de TORBEAM.
  • Tiempo de ejecución de TORBEAM: ~10-20 ms.
  • Tiempo de ejecución de TorbeamNN: < 60 µs por modelo (típicamente ~50 µs).
• Precisión sin Pérdida: El modelo mantiene una precisión comparable al código físico completo (offline), sin sacrificar la fidelidad física.
• Robustez en Tiempo Real: Demuestra que es posible realizar control de espejos ECH en tiempo real utilizando solo información de equilibrio magnético y perfiles de densidad limitados, sin necesidad de reconstrucciones completas de temperatura en tiempo real (utilizando $\beta_N$ como proxy).
• Validación Experimental: Es el primer despliegue exitoso de un modelo sustituto de ML para el control de espejos ECH en un tokamak operativo (KSTAR).

4. Resultados

• Validación Offline:
  • Coeficiente de determinación ($R^2$) superior a 0.992 para todas las salidas.
  • Error absoluto medio (MAE) en la predicción de la posición $Z$ de 0.2 cm.
  • El modelo funciona bien tanto para modos O como X, aunque el modo O muestra ligeramente mejor rendimiento debido a una menor refracción.
• Validación en Tiempo Real (Experimentos KSTAR):
  • Se implementó un controlador PID para rastrear una posición objetivo $Z$ en el vacío.
  • Durante un disparo dinámico con cambios en el ángulo toroidal, el sistema logró un error medio de seguimiento de 0.535 cm (en el intervalo de 5.1 a 15 segundos).
  • El sistema respondió rápidamente a los cambios, superando las limitaciones de latencia del código físico tradicional.
  • Se observaron discrepancias menores durante la fase de ramp-up inicial (antes de la transición a modo L), atribuidas a imprecisiones en los equilibrios magnéticos en tiempo real frente a los datos offline, pero el rendimiento fue excelente durante la fase plana del disparo.

5. Significado e Impacto Futuro

• Control de Fusión Avanzado: TorbeamNN permite un control de ECH mucho más rápido, esencial para la supresión de inestabilidades que crecen en decenas de milisegundos (como los modos de tearing).
• Escalabilidad: La velocidad de inferencia permite considerar estrategias de control más sofisticadas, como la optimización de múltiples objetivos simultáneos en un solo disparo o el uso de algoritmos de control basados en gradientes (aprovechando la diferenciabilidad de las redes neuronales) en lugar de controladores PID tradicionales.
• Futuro Reactores: Este enfoque es crucial para ITER y futuros reactores, donde el control en tiempo real de múltiples sistemas de calentamiento RF será crítico para la operación segura y eficiente.
• Extensión: Los autores proponen que en el futuro, con diagnósticos más completos (como MSE en tiempo real en KSTAR), estos modelos podrían predecir perfiles completos de deposición de calor y corriente, permitiendo la optimización dinámica de perfiles de corriente para escenarios de operación avanzados.

En conclusión, el trabajo demuestra que los modelos sustitutos de aprendizaje automático pueden superar las limitaciones de latencia de los códigos físicos tradicionales, habilitando un control de plasma más ágil, preciso y capaz de manejar la complejidad dinámica de los reactores de fusión de próxima generación.