TorbeamNN: Machine learning based steering of ECH mirrors on KSTAR

Les auteurs ont développé TorbeamNN, un modèle de substitution par apprentissage automatique qui accélère de plus d'un facteur 100 le code de traçage de rayons TORBEAM pour le pilotage des miroirs de chauffage cyclotronique électronique sur KSTAR, tout en maintenant une précision élevée et en permettant un suivi de cible en temps réel avec une erreur moyenne minimale de 0,5 cm.

L'essentiel

🌟 TorbeamNN : Le GPS Ultra-Rapide pour la Fusion Nucléaire

Imaginez que vous essayez de chauffer une soupe très chaude (le plasma) dans une casserole géante (le réacteur à fusion) en utilisant des micro-ondes très puissantes. Le problème ? La soupe bouge, change de forme et de densité à toute vitesse. Si vous visez mal, les micro-ondes ne chauffent pas la bonne partie, ou pire, elles pourraient abîmer la casserole.

C'est exactement le défi des scientifiques qui travaillent sur KSTAR, un réacteur à fusion en Corée du Sud. Ils utilisent des ondes radio (appelées chauffage par cyclotron électronique, ou ECH) pour chauffer le plasma et créer de l'énergie. Mais pour que cela fonctionne, ils doivent viser le "point chaud" parfait, en temps réel.

🐢 Le Problème : Le Calculateur Trop Lent

Jusqu'à présent, pour savoir où viser, les scientifiques utilisaient un logiciel très précis appelé TORBEAM. C'est un peu comme un super-GPS qui calcule comment les ondes se plient en traversant le plasma.

• Le souci : Ce GPS est très précis, mais il est lent. Il lui faut environ 10 millisecondes pour faire un calcul.
• Pourquoi c'est grave ? Dans le monde du plasma, 10 millisecondes, c'est une éternité ! Le plasma bouge si vite (comme une tempête qui change de direction en un éclair) que si le système de contrôle met 10 ms à réfléchir, il a déjà raté sa cible. C'est comme essayer de tirer sur une mouche en mouvement avec un canon qui met 10 secondes à viser : vous manquerez toujours.

🚀 La Solution : TorbeamNN (Le "Super-Intelligent")

L'équipe de chercheurs a créé TorbeamNN. C'est un modèle d'intelligence artificielle (Machine Learning) qui a appris à imiter le logiciel lent, mais à une vitesse fulgurante.

Voici comment cela fonctionne, avec une analogie simple :

1. L'Entraînement (L'Étudiant) : Imaginez que TORBEAM est un professeur de mathématiques très brillant mais lent. Les chercheurs lui ont posé des millions de questions (des millions de simulations) sur la façon dont les ondes se comportent dans différentes situations.
2. L'Apprentissage : TorbeamNN est l'élève qui observe le professeur. Il ne fait pas les calculs complexes lui-même. Au lieu de cela, il apprend à reconnaître les motifs : "Ah, quand le plasma est de cette forme et que l'aimant est à cet angle, la réponse du professeur est toujours celle-ci."
3. Le Résultat : Une fois entraîné, TorbeamNN ne réfléchit plus, il réfléchit instantanément. Il donne la même réponse que le professeur, mais en 100 fois moins de temps (moins d'une milliseconde !).

🎯 Ce que TorbeamNN a accompli sur KSTAR

Les chercheurs ont installé ce "GPS ultra-rapide" sur le réacteur KSTAR et ont fait des tests en direct :

• Précision chirurgicale : TorbeamNN a réussi à suivre une cible en mouvement dans le plasma avec une erreur moyenne de seulement 0,5 cm. C'est comme essayer de toucher le centre d'une pièce de monnaie en mouvement avec un lance-pierre, à plusieurs mètres de distance, et réussir presque à chaque fois.
• Adaptabilité : Il fonctionne même si le plasma change de forme brutalement (comme lors de petites explosions appelées "ELM" ou "sawteeth").
• Double mode : Il sait gérer deux types de "modes" de chauffage (O-mode et X-mode), un peu comme un chef qui sait cuisiner aussi bien avec une poêle qu'avec un four.

🔮 Pourquoi est-ce important pour le futur ?

Aujourd'hui, TorbeamNN permet de contrôler le chauffage sur KSTAR. Mais dans le futur, avec des réacteurs encore plus gros comme ITER (qui sera construit en France), ce sera indispensable.

Imaginez un réacteur de fusion futur où l'on doit faire plusieurs choses en même temps :

• Chauffer le plasma.
• Arrêter des instabilités dangereuses (comme des tremblements de terre dans le plasma).
• Optimiser la production d'énergie.

Avec l'ancien logiciel lent, il fallait choisir une seule tâche. Avec TorbeamNN, le système est si rapide qu'il peut faire plusieurs tâches en même temps, comme un chef cuisinier qui peut surveiller trois casseroles, ajuster le feu et saler la soupe simultanément sans jamais se tromper.

En résumé

TorbeamNN est un cerveau artificiel qui a appris à remplacer un calculateur physique lent par de l'intuition rapide. Il permet aux scientifiques de "tirer" des ondes de chauffage avec une précision et une rapidité jamais vues auparavant, ouvrant la voie à une énergie propre et illimitée issue de la fusion nucléaire.

Résumé technique

1. Problématique

Le chauffage par cyclotron électronique (ECH) et le courant induit par cyclotron électronique (ECCD) sont des outils essentiels pour le contrôle des plasmas dans les tokamaks (suppression des modes de déchirure néoclassiques - NTM, contrôle des bords, développement de scénarios, etc.). Pour être efficaces, ces systèmes doivent cibler avec précision des positions spécifiques dans le plasma.

Cependant, plusieurs défis limitent l'efficacité du contrôle en temps réel :

• Complexité de la physique : La trajectoire des ondes radiofréquences (RF) est déviée par les interactions avec la densité du plasma et les champs magnétiques. La position d'absorption dépend de conditions plasma dynamiques (champ magnétique, densité $n_e$, température $T_e$).
• Latence des codes existants : Le code de traçage de rayons physique, TORBEAM, est précis mais trop lent pour un contrôle réactif rapide. Sa version optimisée pour le temps réel prend environ 10 ms, ce qui introduit un délai inacceptable pour les systèmes de contrôle devant réagir à des transitoires rapides comme les ELM (Edge Localized Modes) ou les sawteeth (périodes de 20-50 ms).
• Manque de profils complets : Certains tokamaks comme KSTAR ne disposent pas encore de profils de température électronique ($T_e$) en temps réel complet, rendant l'exécution du code TORBEAM complet difficile.

L'objectif est donc de développer un modèle capable de prédire la position d'absorption des rayons ECH avec une précision équivalente à TORBEAM, mais avec une vitesse de calcul suffisante pour un contrôle en boucle fermée rapide.

2. Méthodologie

Les auteurs ont développé TorbeamNN, un modèle de substitution (surrogate model) basé sur l'apprentissage automatique (Machine Learning - ML) pour remplacer le code de traçage de rayons physique.

• Génération des données :

  • Les données d'entraînement proviennent de la campagne expérimentale 2024 de KSTAR (diverteur en tungstène).
  • Un ensemble de données massif a été généré en exécutant le code TORBEAM complet (haute fidélité) hors ligne sur 336 décharges différentes, couvrant 2712 tranches temporelles.
  • Pour chaque tranche, les angles des miroirs des gyrotrons (EC2, EC4, EC5) ont été variés aléatoirement dans leur espace de fonctionnement sûr.
  • Le code TORBEAM a été exécuté 647 267 fois au total pour créer le jeu de données.
  • Les profils de température ($T_e$) ont été estimés par des ajustements simples sur les données d'émission cyclotronique, et les profils de densité ($n_e$) par un autre modèle ML basé sur l'interférométrie CO2.

• Architecture du modèle :

  • Entrées : Les entrées incluent les angles des miroirs (poloïdaux et toroïdaux), les paramètres d'équilibre magnétique (courant plasma $I_p$, champ toroïdal $B_T$, axe magnétique, rayon mineur, allongement, inductance, volume) et une estimation de la densité électronique en trois points (cœur, hors axe, bord). La pression normalisée ($\beta_N$) est utilisée comme proxy pour la température.
  • Sorties : Position d'absorption poloidale ($\rho_{pol}$), position radiale ($R$), position verticale ($Z$) et efficacité du courant induit ($\eta_{CD}$).
  • Structure : Le modèle utilise 3 couches denses de 60 neurones chacune, avec une fonction d'activation ReLU, suivie d'une couche de sortie linéaire.
  • Entraînement : Optimiseur Adam, taux d'apprentissage de 0,00063, avec une séparation des données 80/10/10 (entraînement/test/validation). Des modèles séparés ont été entraînés pour chaque gyrotron et pour chaque mode de fonctionnement (O-mode et X-mode).

• Déploiement :

  • Les modèles Keras ont été convertis en fonctions C compatibles avec le système de contrôle du plasma (PCS) de KSTAR via la bibliothèque keras2c.

3. Contributions Clés

• Accélération massive : TorbeamNN offre un gain de vitesse d'environ 100 fois par rapport à la version temps réel de TORBEAM. Le temps d'exécution par modèle est inférieur à 60 µs (typiquement 50 µs), permettant un cycle complet pour les trois gyrotrons en moins de 180 µs.
• Précision préservée : Malgré la simplification, le modèle ne perd pas en précision par rapport au code physique complet. Les prédictions sont validées aussi bien hors ligne qu'en temps réel.
• Réduction des entrées nécessaires : Le modèle a démontré qu'il n'est pas nécessaire d'avoir des grilles magnétiques 3D complètes ou des profils de température détaillés en temps réel. L'utilisation de paramètres globaux d'équilibre et de quelques points de densité suffit pour une prédiction précise.
• Contrôle en boucle fermée : C'est la première démonstration d'un contrôle actif des miroirs ECH basé sur un modèle de ML en temps réel sur KSTAR.

4. Résultats

• Performance hors ligne :

  • Les coefficients de détermination ($R^2$) dépassent 0,992 pour toutes les sorties.
  • L'erreur absolue moyenne (MAE) sur la position verticale $Z$ est de 0,2 cm sur l'ensemble de test.
  • Le modèle fonctionne bien pour les modes O et X, bien que le mode O montre légèrement de meilleures performances (moins de déviation par rapport au vide).

• Validation expérimentale (KSTAR) :

  • Mode prédictif (Feedforward) : Lors d'une balayage d'angles, TorbeamNN a prédit la position d'absorption avec une erreur absolue moyenne de 0,44 cm par rapport à TORBEAM hors ligne sur l'ensemble de la décharge. Sur la phase plate (après transition L-H), l'erreur tombe à 0,28 cm avec un $R^2$ de 0,998.
  • Contrôle en boucle fermée (Feedback) : Un contrôleur PID a été implémenté pour suivre une position cible $Z$ en temps réel.
    • Le système a réussi à suivre une cible dynamique tout en modifiant l'angle toroïdal.
    • L'erreur absolue moyenne de suivi était de 0,535 cm sur l'intervalle de contrôle (5,1 s à 15 s).
    • Le temps de réponse du système est dominé par la mécanique des miroirs et non par le calcul, permettant une réactivité bien supérieure à celle permise par TORBEAM.

5. Signification et Perspectives

• Impact sur le contrôle des plasmas : TorbeamNN permet de réagir aux transitoires rapides (ELM, sawteeth) que les codes physiques actuels ne peuvent pas suivre. Cela ouvre la voie à un contrôle plus robuste des instabilités comme les NTM.
• Multi-objectifs : La rapidité de calcul permet d'envisager des systèmes de contrôle multi-tâches (ex: optimisation de scénarios, contrôle de sawteeth et suppression de NTM simultanés) sur des machines comme ITER, où le temps de calcul est critique.
• Futur développement :
  • L'utilisation de la différentiabilité des réseaux de neurones pourrait permettre de remplacer les contrôleurs PID par des algorithmes d'optimisation directe pour une convergence plus rapide.
  • À terme, le modèle pourrait prédire les profils complets de chauffage et de courant, permettant un contrôle avancé de la forme du profil de courant (q-profile) pour des réacteurs futurs.
  • L'intégration avec les diagnostics MSE (Motional Stark Effect) en temps réel sur KSTAR améliorera encore la précision pour le contrôle des profils de sécurité.

En conclusion, TorbeamNN démontre que les modèles de substitution basés sur le ML peuvent remplacer avec succès les codes de physique lourds dans les boucles de contrôle temps réel des tokamaks, offrant un compromis optimal entre vitesse et précision pour la prochaine génération de réacteurs à fusion.