Robust Control of ECH Deposition Profiles on DIII-D

El artículo presenta el desarrollo y la validación experimental del algoritmo de Optimización de ECH en tiempo real (ECHO) en DIII-D, el cual utiliza un modelo sustituto de red neuronal del código TORBEAM y un optimizador genético para controlar de manera robusta los perfiles de deposición de calentamiento por ciclotrón de electrones a pesar de fallos en los girotrones y variaciones en los parámetros del plasma.

Lo esencial

La visión general: El "termostato inteligente" para una estrella

Imagina un Tokamak (la máquina en el experimento DIII-D) como un horno gigante y supercaliente que intenta cocinar una estrella. Para mantener esta estrella estable y lo suficientemente caliente como para generar energía, los científicos necesitan disparar haces de energía de microondas (llamados calentamiento por ciclo electrónico de electrones, o ECH) hacia puntos muy específicos dentro del horno.

Piensa en estos haces de microondas como focos que iluminan una habitación oscura.

• El Problema: La "habitación" (el plasma) se mueve constantemente, cambia de forma y, a veces, los focos (los girotrones) se rompen. Si apuntas un foco a una pared que de repente se mueve, la luz golpeará el lugar equivido. Si un foco se rompe, queda una zona oscura.
• La Forma Antigua: Antes, los científicos programaban los focos para que apuntaran a un punto específico antes de que comenzara el experimento. Si la habitación se movía o un foco se rompía, la puntería era errónea y el experimento podía fallar.
• La Nueva Forma (ECHO): Los investigadores construyeron un "cerebro inteligente" llamado ECHO. Actúa como un termostato superrápido y autocorrectivo. Comprueba constantemente dónde está la habitación, comprueba qué luces están funcionando e indica instantáneamente a cada foco exactamente hacia dónde apuntar y con qué intensidad brillar para dar en el blanco perfecto.

Cómo funciona el "Cerebro Inteligente"

El artículo describe un sistema de dos partes que hace esto posible:

1. La Bola de Cristal (TorbeamNN)
Para saber dónde aterrizará la luz, normalmente se necesita ejecutar una simulación física compleja. Pero estas simulaciones son lentas, como intentar calcular el clima a mano mientras conduces un coche.

• La Innovación: El equipo entrenó un modelo de Inteligencia Artificial (IA) llamado TorbeamNN. Piensa en esta IA como una "bola de cristal" que ha memorizado millones de simulaciones físicas.
• La Velocidad: En lugar de tardar 50 milisegundos en calcular a dónde va la luz, la IA lo hace en 0,3 milisegundos. Es como cambiar una calculadora lenta por una supercomputadora. Esto permite que el sistema tome decisiones más rápido de lo que el plasma puede moverse.

2. El Maestro del Ajedrez (El Optimizador Genético)
Una vez que la IA sabe a dónde puede ir la luz, el sistema debe decidir qué luces usar y cómo apuntarlas para coincidir con una forma específica (el "perfil objetivo").

• El Proceso: Imagina que tienes 10 focos y necesitas pintar una forma específica en la pared. Podrías probar todas las combinaciones, pero eso toma una eternidad. En su lugar, el "Optimizador Genético" actúa como un maestro del ajedrez.
• Evolución: Prueba algunas disposiciones aleatorias de las luces. Observa cuáles se acercan más al objetivo. Conserva las mejores, mezcla sus configuraciones (como mezclar dos buenas recetas) y realiza pequeños ajustes aleatorios. Repite este proceso miles de veces en una fracción de segundo hasta encontrar la disposición perfecta.

¿Qué pasó en los experimentos?

El equipo probó este sistema en la máquina DIII-D y demostró que funciona en tres escenarios complicados:

1. El Objetivo Móvil (Plasma Cambiante)

• El Escenario: El plasma dentro de la máquina se movió hacia arriba y hacia abajo 10 centímetros (una distancia enorme para una partícula).
• El Resultado: El sistema ECHO notó el movimiento inmediatamente. Ajustó los ángulos de los espejos de los girotrones para que los haces se mantuvieran bloqueados en el mismo punto relativo al plasma, a pesar de que el plasma mismo estaba bailando de un lado a otro.

2. La Luz Rota (Fallo de Hardware)

• El Escenario: Uno de los girotrones (un foco) murió repentinamente en medio del experimento.
• El Resultado: En el pasado, esto arruinaría el experimento. Sin embargo, ECHO se dio cuenta instantáneamente: "Oh, perdimos una luz". Inmediatamente recalculó el plan, ordenando a las luces restantes que cambiaran su posición y potencia para llenar el hueco. La forma del objetivo se mantuvo casi perfectamente a pesar de la pieza rota.

3. Las Reglas Cambiantes (Cambios en el Campo Magnético)

• El Escenario: El campo magnético que mantiene unido al plasma cambió drásticamente.
• El Resultado: El sistema adaptó la puntería de los haces para compensar la nueva física, demostrando que podía manejar cambios extremos en el entorno.

Por qué esto es importante

El artículo afirma que este sistema es un gran paso adelante porque es robusto.

• Sistemas Antiguos: Si pierdes una pieza, todo el plan falla.
• Sistema ECHO: Trata a los girotrones como un equipo. Si un compañero de equipo cae, los demás se ajustan instantáneamente para terminar el trabajo.

Los autores concluyen que esta tecnología está lista para las futuras centrales de fusión (FPP). En una central de energía real, no puedes permitirte que la máquina se detenga solo porque un calentador se rompe. ECHO proporciona la inteligencia de "seguridad contra fallos" necesaria para mantener la reacción de fusión funcionando sin problemas, incluso cuando las cosas salen mal.

Resumen

El artículo presenta un nuevo sistema de control (ECHO) que utiliza una IA rápida para predecir dónde aterrizarán los haces de microondas y un algoritmo inteligente para ajustar esos haces instantáneamente. Esto permite que el sistema dé en un blanco preciso dentro de un reactor de fusión, incluso si el reactor se mueve, cambia de forma o pierde una pieza de equipo. Convierte un proceso frágil y preprogramado en uno flexible y autocorrectivo.

Resumen técnico

Resumen Técnico: Control Robusto de Perfiles de Deposición de ECH en DIII-D

Planteamiento del Problema
El calentamiento por ciclotrón de electrones (ECH) es un actuador crítico para los tokamaks, proporcionando calentamiento auxiliar, conducción de corriente localizada y control de estabilidad MHD. A diferencia de otros métodos de calentamiento por RF que dependen de antenas y ubicaciones de deposición fijas determinadas por los parámetros del plasma, el ECH utiliza espejos orientables para ajustar las trayectorias de los rayos y las ubicaciones de deposición en tiempo real. Sin embargo, lograr un control preciso sobre el perfil de deposición total de ECH es un desafío debido a la complejidad del trazado de rayos, la necesidad de coordinar múltiples girotrones simultáneamente y el requisito de robustez frente a fallos de hardware y condiciones dinámicas del plasma. Los códigos de trazado de rayos en tiempo real existentes (por ejemplo, TORBEAM reducido) suelen ser demasiado lentos para explorar múltiples configuraciones para la optimización o solo calculan las ubicaciones de absorción máxima en lugar de perfiles de deposición completos. Además, las estrategias de control tradicionales suelen tratar a los girotrones como unidades independientes en lugar de un sistema colectivo, lo que limita la capacidad de realizar multitareas o recuperarse de fallos de los actuadores.

Metodología
Los autores desarrollaron el algoritmo de Optimización de ECH (ECHO), un marco de control en tiempo real diseñado para igualar un perfil de deposición radial de ECH objetivo mediante la optimización de los ángulos de los espejos y la potencia (mediante la modulación del ciclo de trabajo) de todos los girotrones disponibles. La metodología consta de tres componentes principales:

1. Modelo Sustituto TorbeamNN: Para superar la latencia computacional del trazado de rayos de alta fidelidad (TORBEAM), los autores entrenaron un modelo sustituto de aprendizaje automático (ML) basado en el código TORBEAM. Esta red neuronal toma parámetros del estado del plasma en tiempo real (forma del equilibrio, perfiles de temperatura y densidad electrónica) y los ángulos de los espejos de los girotrones como entradas. Produce perfiles gaussianos parametrizados (centro $\mu$, ancho $\sigma$ y amplitud máxima $A$) para la deposición de ECH. El modelo fue entrenado con más de 2.2 millones de cálculos de trazado de rayos de 4,168 disparos únicos de DIII-D. Para garantizar el rendimiento en tiempo real, el modelo se ejecuta en paralelo para cada girotron y ángulo poloidal, generando una tabla de búsqueda en aproximadamente 0.32 ms (una aceleración de >100x respecto al TORBEAM optimizado en tiempo real).
2. Optimizador de Algoritmo Genético: Un optimizador genético busca en la tabla de búsqueda precalculada para encontrar la combinación óptima de ángulos de espejo y ciclos de trabajo para los girotron disponibles. El algoritmo minimiza el error cuadrático medio entre el perfil objetivo y el perfil de deposición total predicho. Incorpora "inercia" al preservar un porcentaje de las mejores soluciones del ciclo anterior para evitar movimientos innecesarios del hardware si las condiciones son estables, permitiendo al mismo tiempo una rápida adaptación ante cambios significativos.
3. Implementación en el PCS: El sistema está integrado en el Sistema de Control de Plasma (PCS) de DIII-D. Recibe datos del estado del plasma en tiempo real de RT-EFIT y RTCAKENN, calcula la configuración óptima y envía comandos de hardware a los girotron. Todo el bucle de control opera en un tiempo de ciclo de 50 ms.

Contribuciones Clave

• Optimización de Perfil Completo en Tiempo Real: A diferencia de otros sustitutos de ML que se centraban solo en la absorción máxima, TorbeamNN predice perfiles de deposición de ECH completos, lo que permite la optimización de toda la distribución de calentamiento radial.
• Control Coordinado de Multi-Girotron: El marco trata al conjunto de girotron como una unidad colectiva, distribuyendo inteligentemente la potencia y los ángulos para igualar un único perfil objetivo en lugar de asignar tareas independientes a cada girotron individual.
• Robustez ante Fallos: El algoritmo está diseñado para ser independiente del actuador. En caso de un fallo de girotron durante un disparo, ECHO re-optimiza inmediatamente los girotron restantes que aún funcionan para aproximarse de la mejor manera posible al perfil objetivo, en lugar de depender de escenarios preprogramados que fallarían.
• Adaptabilidad a Condiciones Dinámicas: El sistema ajusta automáticamente los ángulos de los espejos y las potencias en respuesta a cambios en las condiciones del plasma, como desplazamientos verticales del plasma o variaciones en el campo magnético toroidal ($B_T$), para mantener un perfil de deposición constante respecto a la coordenada de flujo normalizada ($\rho$).

Resultados Experimentales
El algoritmo ECHO fue desplegado y validado en varios experimentos de DIII-D (por ejemplo, disparos 205902, 205838, 205907, 205905):

• Validación: Los perfiles de deposición de ECH predichos por TorbeamNN y los comandos de hardware resultantes fueron validados contra mediciones de Emisión de Ciclotrón de Electrones (ECE) utilizando Flux Fit (FF) y otros métodos inversos. Los centros de los perfiles de deposición medidos coincidieron con las predicciones de TORBEAM y el objetivo dentro de $\lesssim 0.05$ en $\rho$.
• Seguimiento Dinámico: El sistema rastreó con éxito un perfil objetivo constante mientras el plasma experimentaba desplazamientos verticales significativos (>10 cm) y cambios rápidos en el campo magnético toroidal, ajustando los ángulos de los espejos en consecuencia.
• Gestión de Fallos: En el disparo 205907, ocurrió un fallo de girotron (Girotron 5) durante el disparo. ECHO detectó el fallo y re-optimizó los girotron restantes (1, 2 y 4) para redistribuir la potencia, recuperando con éxito el perfil de deposición. Una mitigación de fallo similar se demostró en el disparo 205838 donde falló el Girotron 4.
• Modelado de Perfil: El algoritmo demostró la capacidad de cambiar rápidamente entre diferentes perfiles objetivo (por ejemplo, de un pico único a uno de doble pico) dentro de una misma descarga.

Significado y Reivindicaciones
El artículo sostiene que ECHO representa un avance significativo en el control de plasma en tiempo real al cerrar la brecha entre el modelado integrado fuera de línea y la actuación de hardware en tiempo real. Al utilizar un modelo sustituto de aprendizaje automático para un trazado de rayos rápido y un optimizador genético para la gestión colectiva de actuadores, el sistema logra:

1. Precisión: Igualación precisa de perfiles de deposición de ECH complejos en tiempo real.
2. Robustez: La capacidad de mantener los objetivos de control a pesar de fallos impredecibles de los girotron, un requisito crítico para las futuras centrales de fusión comercial (FPP) donde la redundancia de actuadores y la tolerancia a fallos son esenciales.
3. Flexibilidad: La capacidad de soportar diversos experimentos de física (por ejemplo, supresión de modos de rotura, bombeo de impurezas, control de dentado/sawtooth) sin requerir diseños de controladores personalizados para cada escenario.

Los autores señalan que, si bien la implementación actual utiliza una parametrización Gaussiana que puede tener limitaciones cerca del núcleo y del borde del plasma, la precisión alcanzada es suficiente para el control en tiempo real y cualitativamente superior a los enfoques típicos de alimentación hacia adelante (feedforward). El marco se presenta como una solución escalable para futuros dispositivos como ITER y las FPP, donde el número de girotron y la necesidad de un control robusto ante fallos serán aún más críticos.