TorbeamNN: Machine learning based steering of ECH mirrors on KSTAR

KSTAR における電子サイクロトロン加熱（ECH）ミラーの制御向けに、従来の TORBEAM コードよりも 100 倍以上高速かつ精度を損なわずに吸収位置を予測する機械学習モデル「TorbeamNN」を開発し、実験を通じてその有効性と 0.5cm という高い追跡精度を実証しました。

要約

核融合の「魔法のレーザー」を瞬時に狙い撃ちする AI の物語

～KSTAR 実験で成功した「TorbeamNN」の仕組み～

この論文は、核融合発電の実現に向けた重要な一歩を記したものです。簡単に言うと、**「複雑な計算を必要とする『電子のレーザー』の照準を、AI が瞬時に合わせられるようにした」**という画期的な成果について書かれています。

以下に、専門用語を排し、身近な例え話を使って解説します。

---

1. 核融合と「電子のレーザー」って何？

まず、核融合発電所（トカマク型）は、太陽と同じように超高温のプラズマ（電離したガス）を閉じ込めてエネルギーを作る装置です。
このプラズマを加熱し、制御するために使われるのが**「電子サイクロトロン加熱（ECH）」**という技術です。

• イメージ: プラズマの中に、**「電子を狙い撃ちする強力なレーザー」**を照射しているようなものです。
• 役割: このレーザーは、単に加熱するだけでなく、プラズマの不安定さを抑えたり、電流を流したりする「多機能な操縦桿（ハンドル）」のような役割を果たします。

2. 従来の問題点：「遅すぎる照準合わせ」

このレーザーを正確にプラズマの「狙った場所」に当てるのは、実は非常に難しい問題でした。

• 迷路のような道: レーザーがプラズマの中を進むと、密度や磁場の影響で道が曲がってしまいます（屈折）。
• 計算の壁: 「どこにレーザーが到達するか」を計算するには、**「TORBEAM」**という物理シミュレーションソフトを使います。
• ジレンマ:
  • 正確な計算をするには時間がかかる（約 10 ミリ秒）。
  • しかし、プラズマの状態は**「0.02 秒〜0.05 秒」**という超高速で変化します（暴れ回る子供のようなもの）。
  • 計算が終わる頃には、もうレーザーが狙った場所からズレてしまっています。
  • これでは、急激な変化に対応できず、制御が追いつきません。

3. 解決策：「TorbeamNN」の登場

そこで登場したのが、この論文の主人公**「TorbeamNN」**です。

• 正体: 物理シミュレーション（TORBEAM）の代わりに使う**「AI（機械学習）の予言者」**です。
• 仕組み:
  1. まず、過去の膨大な実験データと、正確な物理シミュレーションの結果を AI に大量に学習させました。
  2. AI は「プラズマの状態（磁場や密度）と、ミラーの角度」を見れば、「レーザーがどこに届くか」を瞬時に推測するようになります。
• 驚異的な速度:
  • 従来の計算：10 ミリ秒（0.01 秒）
  • TorbeamNN：0.00006 秒（60 マイクロ秒）
  • 約 100 倍のスピードアップ！

4. 具体的な成功：KSTAR での実験

韓国にある大型核融合実験装置**「KSTAR」**で、この AI を実際に使ってみました。

• 実験内容: プラズマが暴れながら変化する中で、レーザーの照準を「特定の場所」に追従させる制御を行いました。
• 結果:
  • AI は、プラズマの動きに合わせてミラーを素早く動かすことができました。
  • 誤差は平均して**「0.5 センチメートル」**以下。
  • これは、**「100 メートル先の的を、0.5 センチの誤差で狙い続ける」**ような精度です。
• 意味: これにより、レーザーを「加熱用」と「電流制御用」など、複数の任務を同時にこなす「マルチタスク」が可能になりました。

5. 未来への展望：なぜこれが重要なのか？

この技術は、単に「速い」だけでなく、核融合発電所の**「脳（制御システム）」**を劇的に進化させます。

• 従来の車: 信号が変わる前に、複雑な計算をしてブレーキを踏む（遅すぎて事故る）。
• TorbeamNN 搭載の車: 信号が変わる瞬間を直感で予測し、瞬時に反応する（安全でスムーズ）。

将来、ITER（国際熱核融合実験炉）や実用炉が完成した際、この AI 技術を使えば、プラズマの暴れを即座に鎮め、安定してエネルギーを生み出すことが可能になります。

まとめ

この論文は、**「複雑な物理計算を AI が超高速で代行し、核融合の制御を『遅い計算』から『瞬時の直感』へと進化させた」**という、核融合研究における大きな飛躍を報告したものです。

AI が「魔法のレーザー」の照準を完璧に操るようになり、人類が「無限のクリーンエネルギー」に一歩近づいた瞬間と言えます。

技術概要

TorbeamNN: KSTAR における ECH ミラーの機械学習に基づく制御に関する技術的概要

本論文は、核融合プラズマ制御、特に電子サイクロトロン加熱（ECH）および電流駆動（ECCD）のリアルタイム制御における課題を解決するため、機械学習（ML）を用いた代理モデル「TorbeamNN」を開発し、韓国・KSTAR トカマク装置で実証した研究報告です。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

---

1. 問題定義 (Problem)

将来のトカマク型核融合炉（ITER など）では、非誘導加熱源として高信頼性の RF 加熱（特に ECH）が計画されています。ECH は、ネオクラシカル・テアリング・モード（NTM）の抑制、エッジ局所化モード（ELM）の制御、不純物の遮蔽など、多様なプラズマ制御タスクに不可欠です。

これらの制御を成功させるためには、プラズマ内の ECH 吸収位置を正確に予測し、ミラーをリアルタイムで制御する必要があります。

• 既存手法の限界: 物理ベースの光線追跡コード「TORBEAM」は高精度ですが、リアルタイム制御には以下の課題があります。
  • 計算遅延: 最適化されたリアルタイム版でも約 10ms の計算時間を要します。
  • 入力データの制約: 完全なリアルタイム制御には、電子温度（$T_e$）プロファイルなどの詳細な情報が必要ですが、KSTAR などの装置ではリアルタイムで $T_e$ プロファイルが得られない場合があります。
  • 制御帯域の不足: ELM やサウスイースト（sawtooth）などのプラズマ不安定性は 20-50ms の周期で発生し、10ms の遅延は制御システム（PCS）にとって許容できない遅延となり得ます。また、複数の制御タスクを同時に実行する将来のマルチタスク制御には、さらに高速な計算が求められます。

2. 手法 (Methodology)

著者らは、物理ベースの TORBEAM コードの代わりに、機械学習を用いた代理モデル「TorbeamNN」を開発しました。

• データセットの構築:
  • KSTAR の 2024 年実験キャンペーン（タングステンダイバータ使用）のデータを使用。
  • 3 台のギロトロン（EC2, EC4, EC5）それぞれについて、X モードと O モードの 2 種類、計 6 つのモデルを訓練。
  • 336 ショットから 2,712 のタイムスライスを使用し、各ギロトロン・モードごとに約 64 万回の TORBEAM 計算（オフライン・フル忠実度版）を実行して大規模な学習データを生成。
• 入力変数:
  • ミラー角度（ポロイダル角、トロイダル角）。
  • 真空トロイダル磁場、プラズマ電流、磁気軸位置、小半径、プラズマ体積など（rtEFIT1 から取得）。
  • 電子密度（$n_e$）: CO2 干渉計データに基づく ML 代理モデルによる推定値（コア、オフ軸、端の 3 点）。
  • 電子温度（$T_e$）: 直接測定せず、正規化プラズマ圧力（$\beta_N$）から推定。
• モデルアーキテクチャ:
  • Keras ライブラリを使用し、Adam オプティマイザで学習。
  • 3 層の密結合層（Dense layers、各 60 ノード）に ReLU 活性化関数、最終層に線形活性化関数を使用。
  • 出力：吸収位置（$\rho_{pol}, R, Z$）および電流駆動効率（$\eta_{CD}$）。
• 実装:
  • 学習済みモデルを keras2c ライブラリを用いて C 関数に変換し、KSTAR のプラズマ制御システム（PCS）に組み込みました。

3. 主要な貢献 (Key Contributions)

• 超高速な推論速度: TorbeamNN は、最適化されたリアルタイム TORBEAM に比べて100 倍以上高速（1 モデルあたり約 50-60 $\mu$s）な推論を実現しました。これにより、複数のミラー制御や複雑な制御アルゴリズムへの適用が可能になりました。
• 高精度の維持: 高速化に伴う精度の低下はなく、オフラインのフル忠実度 TORBEAM と同等の精度を維持しています。
• 動的プラズマ環境での実証: KSTAR において、動的なプラズマ条件（トランスエントを含む）下で ECH 吸収位置を追跡するリアルタイム制御に成功しました。
• 入力情報の最適化: 完全な 3D 磁場グリッドや詳細な $T_e$ プロファイルなしでも、$\beta_N$ や簡易的な $n_e$ 推定値を用いることで高精度な予測が可能であることを示しました。

4. 結果 (Results)

• オフライン検証:
  • テストデータセットにおける決定係数（$R^2$）はすべて 0.992 以上。
  • 吸収位置 $Z$ の平均絶対誤差（MAE）は最大で 0.2 cm でした。
  • O モードは X モードよりもやや高い精度を示しました。
• リアルタイム実験（KSTAR）:
  • フィードフォワード制御: 事前計算された角度設定での検証において、TorbeamNN とオフライン TORBEAM の比較で $R^2$ 0.995、MAE 0.44 cm を達成しました（3 秒後の定常状態では MAE 0.28 cm）。
  • フィードバック制御: PID コントローラと組み合わせて、動的なプラズマショット中に ECH 吸収位置（真空吸収位置 $Z_{vac}$）を追跡する実験を行いました。
    • 目標位置に対する平均追跡誤差は 0.5 cm でした。
    • トロイダルミラー角度を変化させる動的条件下でも、安定した追跡性能を示しました。
  • 遅延の削減: 従来の TORBEAM 使用による 10-20ms の遅延に対し、TorbeamNN による計算遅延は 180 $\mu$s 未満（全 3 台のギロトロン分）に抑えられ、ミラーの応答速度を大幅に向上させました。

5. 意義と将来展望 (Significance and Future Directions)

• 核融合制御のパラダイムシフト: 物理ベースの計算に依存する従来のアプローチから、機械学習代理モデルを活用した超高速制御への移行を成功裏に実証しました。
• 将来の炉への適用: ITER や将来の商用炉では、複数の ECH 制御タスク（NTM 制御、サウスイースト制御、シナリオ最適化など）を同時に実行する必要があります。TorbeamNN のような高速モデルは、これらのタスクをリアルタイムで切り替え・最適化する上で不可欠です。
• 高度な制御アルゴリズムへの道: 将来的には、PID 制御に依存せず、ML モデルの微分可能性（Differentiability）を利用した勾配ベースの最適化や、強化学習による制御への展開が期待されます。
• 完全なプロファイル予測: 今後は、吸収位置だけでなく、加熱および電流駆動の全プロファイルをリアルタイムで予測し、より高度なプラズマ制御を実現する拡張が計画されています。

総じて、TorbeamNN は、KSTAR において ECH ミラー制御の速度と精度を劇的に向上させ、将来の核融合炉における RF 加熱制御の基盤技術として確立されました。