TorbeamNN: Machine learning based steering of ECH mirrors on KSTAR

Il documento presenta TorbeamNN, un modello di machine learning che accelera di oltre 100 volte il calcolo delle posizioni di riscaldamento a ciclotrone elettronico nel tokamak KSTAR mantenendo la precisione del codice originale e permettendo un controllo in tempo reale dei specchi con un errore di tracciamento minimo.

L'essenziale

Immagina di dover colpire un bersaglio mobile che si muove a velocità incredibile all'interno di una stanza piena di nebbia densa e campi magnetici invisibili. Questo è esattamente ciò che gli scienziati devono fare quando cercano di riscaldare il plasma (il "combustibile" della fusione nucleare) all'interno di un reattore chiamato KSTAR.

Ecco di cosa parla questo articolo, spiegato in modo semplice:

1. Il Problema: Trovare l'ago nel pagliaio magnetico

Per fondere gli atomi e creare energia pulita, dobbiamo riscaldare il plasma a temperature superiori a quelle del Sole. Uno dei metodi migliori è usare onde radio (chiamate ECH) che vengono sparate dentro il reattore.
Il problema è che il plasma è come un fluido magico: piega e devia queste onde radio. Se non colpisci il punto esatto, il calore non va dove serve e il reattore non funziona bene.

Per trovare il punto giusto, gli scienziati usano un programma informatico chiamato TORBEAM. È come un simulatore di volo super-preciso che calcola dove andrà l'onda. Ma c'è un grosso problema: è troppo lento.
Immagina di dover guidare un'auto a 200 km/h, ma ogni volta che devi sterzare, il tuo navigatore impiega 10 secondi a dirti la strada. Nel frattempo, l'auto ha già fatto un incidente! Nel mondo del plasma, questi "incidenti" (instabilità) avvengono in millisecondi.

2. La Soluzione: TorbeamNN (Il "Genio" Veloce)

Gli autori del paper, un team di ricercatori americani e coreani, hanno creato TorbeamNN.
Cosa è? È un modello di Intelligenza Artificiale (Machine Learning) che ha "imparato" a fare i calcoli di TORBEAM.

• L'analogia: Immagina TORBEAM come un matematico geniale che risolve un'equazione complessa a mano, passo dopo passo. Ci mette 10 millisecondi.
• TorbeamNN è come quel matematico che, dopo aver letto milioni di equazioni, ha sviluppato un "istinto". Non calcola più tutto da zero; guarda la situazione e dice istantaneamente: "Ah, so già dove va a finire l'onda!".

3. Quanto è veloce?

La differenza è incredibile:

• Il vecchio metodo (TORBEAM): 10 millisecondi.
• Il nuovo metodo (TorbeamNN): 0,05 millisecondi (circa 100 volte più veloce).

È come passare da un'automobile a pedali a un razzo spaziale. Questo permette al sistema di controllo di reagire istantaneamente ai cambiamenti del plasma, correggendo la mira dei "fari" (gli specchi che dirigono le onde) mentre il plasma cambia forma.

4. Come hanno fatto?

Hanno usato un trucco intelligente:

1. Hanno fatto girare il programma lento (TORBEAM) milioni di volte su dati reali del reattore KSTAR per creare un'enorme libreria di esempi.
2. Hanno "addestrato" l'Intelligenza Artificiale su questi esempi.
3. Ora, invece di aspettare che il computer faccia i calcoli fisici complessi, l'IA guarda i dati in tempo reale (come la forma del plasma e la densità) e predice dove colpire con una precisione quasi perfetta (sbaglia meno di mezzo centimetro!).

5. Il Risultato: Un tiro al bersaglio perfetto

Hanno testato questo sistema sul reattore KSTAR in Corea del Sud.

• Obiettivo: Mantenere il raggio di calore su un punto specifico mentre il plasma si muoveva e cambiava.
• Risultato: L'IA ha guidato gli specchi con un errore medio di soli 0,5 cm.
• Importanza: Questo significa che possiamo ora usare il riscaldamento per fare cose più complesse, come spegnere le "tempeste" nel plasma o ottimizzare la produzione di energia, tutto in tempo reale.

In sintesi

TorbeamNN è come aver dato a un pilota di Formula 1 un navigatore che non solo gli dice la strada, ma gliela calcola istantaneamente mentre l'auto sta già girando, permettendogli di guidare alla massima velocità senza mai sbagliare curva.

Questo è un passo fondamentale verso la fusione nucleare commerciale: se vogliamo che i reattori funzionino in modo sicuro ed efficiente, dobbiamo poter controllare il plasma con la velocità della luce, e l'Intelligenza Artificiale è la chiave per farlo.

Sommario tecnico

Titolo

TorbeamNN: Guida degli specchi ECH basata su machine learning su KSTAR

1. Il Problema

Il riscaldamento a ciclo elettronico (ECH) e l'impulso di corrente a ciclo elettronico (ECCD) sono fondamentali per il controllo dei plasmi nei tokamak futuri (come ITER), permettendo il riscaldamento localizzato e la soppressione di instabilità come i modi di tearing neoclassici (NTM).
Tuttavia, per guidare efficacemente le onde ECH verso la posizione di assorbimento desiderata, è necessario calcolare in tempo reale la traiettoria del raggio attraverso il plasma, tenendo conto della densità elettronica ($n_e$), della temperatura ($T_e$) e del campo magnetico.

• Limitazioni attuali: Il codice fisico TORBEAM, utilizzato per il tracciamento dei raggi, richiede circa 10 ms per un calcolo in tempo reale (versione semplificata). Sebbene accettabile per alcune applicazioni, questo ritardo è problematico per il controllo di transizioni rapide del plasma (come ELM o sawteeth) che avvengono su scale temporali di 20-50 ms. Inoltre, l'esecuzione della versione completa di TORBEAM in tempo reale richiede profili completi di $T_e$ e $n_e$, dati spesso non disponibili in tempo reale su macchine come KSTAR.
• Necessità: È richiesto un metodo di calcolo più veloce (sotto il millisecondo) che mantenga l'accuratezza del codice fisico completo, permettendo un controllo dinamico e multi-obiettivo degli specchi ECH.

2. Metodologia

Gli autori hanno sviluppato TorbeamNN, un modello surrogato basato sul Machine Learning (ML) per sostituire il codice di tracciamento dei raggi TORBEAM.

• Generazione del Dataset:
  • Sono stati utilizzati dati sperimentali della campagna KSTAR 2024 (divertore in tungsteno).
  • Sono stati generati 647.267 calcoli offline utilizzando il codice TORBEAM completo (full-fidelity) su 336 spari diversi, coprendo l'intero spazio operativo delle forme del plasma e dei campi magnetici.
  • Sono stati creati 6 modelli separati (uno per ciascun lanciatore di gyrotroni: EC2, EC4, EC5, ciascuno in modalità O e X) per catturare le differenze fisiche tra i modi di assorbimento.
• Architettura del Modello:
  • Input: Angoli degli specchi (poloidale $\theta$ e toroidale $\phi$), parametri di equilibrio del plasma (campo toroidale $B_T$, corrente di plasma $I_P$, asse magnetico $R_0, Z_0$, raggio minore $a$, pressione normalizzata $\beta_N$, elongazione $\kappa$, induttanza $l_i$, volume $V$) e un profilo di densità elettronica semplificato (3 punti: nucleo, fuori asse, bordo). La temperatura elettronica è stimata tramite la pressione normalizzata $\beta_N$.
  • Output: Posizione di assorbimento massima ($\rho_{pol}, R, Z$) ed efficienza di drive di corrente ($\eta_{CD}$).
  • Struttura: Una rete neurale densa con 3 strati nascosti da 60 neuroni ciascuno, funzione di attivazione ReLU e un'uscita lineare. Addestrata con ottimizzatore Adam.
• Implementazione in Tempo Reale:
  • I modelli Keras sono stati convertiti in funzioni C compatibili con il sistema di controllo del plasma (PCS) di KSTAR utilizzando la libreria keras2c.

3. Risultati Chiave

• Prestazioni di Calcolo:
  • TorbeamNN esegue un calcolo in circa 50-60 µs per modello.
  • Questo rappresenta un speed-up di oltre 100 volte rispetto alla versione real-time di TORBEAM (10 ms) e rende il calcolo trascurabile rispetto ad altri tempi di ciclo del sistema di controllo.
• Accuratezza (Validazione Offline):
  • Coefficiente di determinazione ($R^2$) superiore a 0.992 per tutte le uscite.
  • Errore assoluto medio (MAE) sulla posizione Z di assorbimento: 0.2 cm (sulla versione di test).
  • Le prestazioni sono migliori per la modalità O rispetto alla modalità X, coerentemente con la minore deflessione del raggio nel vuoto.
• Validazione Sperimentale (KSTAR):
  • Controllo Feedforward: Durante una scansione degli angoli degli specchi, TorbeamNN ha mostrato un errore medio assoluto di 0.44 cm rispetto a TORBEAM offline su tutto lo sparo, riducendosi a 0.28 cm durante la fase di "flattop" stabile.
  • Controllo in Feedback: È stato implementato un controllore PID per tracciare una posizione target Z. Il sistema ha mantenuto un errore medio assoluto di 0.535 cm durante un tiro dinamico con variazioni dell'angolo toroidale.
  • Il sistema è stato in grado di tracciare con successo la posizione di assorbimento verticale in condizioni di plasma dinamiche.

4. Contributi Principali

1. Sviluppo di TorbeamNN: Il primo modello surrogato ML addestrato specificamente per il tracciamento dei raggi ECH su KSTAR, capace di gestire sia la modalità O che X.
2. Validazione in Tempo Reale: Dimostrazione sperimentale del successo del modello in un ambiente di fusione reale, integrandolo nel sistema di controllo del plasma (PCS) di KSTAR.
3. Riduzione della Latenza: La riduzione del tempo di calcolo da 10 ms a <60 µs elimina il collo di bottiglia computazionale, permettendo potenzialmente di gestire transizioni più rapide e obiettivi di controllo multipli (es. soppressione NTM + ottimizzazione scenario) nello stesso sparo.
4. Ottimizzazione degli Input: Dimostrazione che è possibile ottenere alta accuratezza utilizzando solo 3 punti del profilo di densità e parametri globali di equilibrio, senza bisogno di profili completi di $T_e$ in tempo reale.

5. Significato e Prospettive Future

• Impatto sul Controllo dei Plasmi: TorbeamNN abilita un controllo ECH più reattivo e preciso, essenziale per la stabilità dei plasmi di alta prestazione e per la soppressione di instabilità rapide (come gli ELM o i sawteeth).
• Scalabilità: L'approccio è direttamente applicabile a futuri reattori come ITER, dove la velocità di calcolo e la capacità di gestire compiti multipli saranno critiche.
• Sviluppi Futuri:
  • Sfruttare la differenziabilità delle reti neurali per creare controllori che non richiedano PID, ma calcolino direttamente le variazioni ottimali degli angoli degli specchi.
  • Estendere il modello per prevedere l'intero profilo di deposizione di ECH/ECCD in tempo reale, non solo il punto di assorbimento, per ottimizzare l'efficienza del drive di corrente in condizioni di plasma variabili.
  • Integrazione con diagnosi MSE (Motional Stark Effect) in tempo reale per un tracciamento preciso del profilo di sicurezza ($q$) necessario per il controllo avanzato degli NTM.

In sintesi, il paper dimostra che i modelli surrogati ML possono sostituire con successo i codici fisici complessi nei sistemi di controllo dei tokamak, offrendo velocità superiori di ordini di grandezza senza compromettere l'accuratezza, aprendo la strada a strategie di controllo più sofisticate per la fusione nucleare.