Physics Attention Transformer Surrogate for Rapid Vertical Instability Growth Rate Prediction: Alcator C-Mod to SPARC

実用的な核融合炉の建設に向けた探求において、科学者たちは根強く、かつ手ごわい課題に直面している。それは、太陽の中心部よりも熱い超高温のプラズマ雲を、容器の壁に触れることなく空中に浮遊させ続けることである。これは単に風船を保持するような単純な問題ではない。プラズマは、電気的に帯電した渦巻く流体であり、磁気ケージから崩壊したり、外へ飛び出そうとしたりする性質を持っている。最も高度な設計では、効率を最大化するためにプラズマを細長い形状に引き伸ばすが、この形状そのものが不安定さを生む原因となる。プラズマの柱がわずかでも傾くと、不安定性が増大して一瞬のうちに容器の壁に衝突し、機械に損傷を与え、反応を停止させてしまう可能性がある。これを防ぐためには、制御システムがトラブルの兆候を極めて早い段階で検知し、プラズマを元の位置へと押し戻さなければならない。しかし、プラズマが移動したことを知るだけでは不十分である。システムは、その移動がどの程度の速度で加速しているかも知る必要がある。もし不安定性の成長が速すぎれば、標準的な制御アクションでは阻止するには遅すぎるため、災難を避けるために機械は制御されたシャットダウンの準備をしなければならない。

問題は、この成長速度を算出する最も正確な方法には、あまりにも時間がかかりすぎるということである。現在のゴールドスタンダードであるコンピュータモデルは、プラズマが金属壁や磁気コイルとどのように相互作用するかをシミュレートするものだが、単一の計算を実行するのに数分を要する。数ミリ秒ごとに意思決定を行う必要があるリアルタイムの制御システムにおいて、数分間待つことは不可能である。長年、科学者たちは、プラズマを固体の剛体として扱う、より高速で簡略化されたモデルに頼ってきた。これらは高速ではあるが、将来の原子炉で計画されている複雑で高性能な形状において、不安定性の成長を決定づけるプラズマ内部の電流の微妙な流体的な変化を見落としがちである。MITとコモンウェルス・フュージョン・システムズの研究チームは、この溝を埋める新しいアプローチを開発した。彼らは、低速だが正確なモデルから学習して、不安定性の速度をほぼ瞬時に予測し、同時にプラズマがどこで移動しているかを正確にマッピングできる、洗練された人工知能ツールを作成したのである。

研究者たちは、「フィジックス・アテンション・トランスフォーマー（Physics Attention Transformer）」と呼ぶこの新しいツールを、低速で高忠実度なモデルによって生成された膨大なライブラリを用いて訓練した。このライブラリには、すでに停止された実在の核融合装置であるAlcator C-Mod実験からの数千のシナリオと、現在建設中のコンパクトな高磁場核融合炉であるSPARCのための数千の合成シナリオが含まれている。目標は、AIにプラズマの状態（磁場の形状、プラズマの位置、周囲のコイル内の電流）を観察させ、2つの事柄を即座に予測させることである。すなわち、不安定性がどの程度の速さで成長しているか、そしてプラズマ内部の電流がどのように変化しているかの詳細なマップである。このAIは単に一つの数値を推測するのではない。乱れの全体的な二次元パターンを再構成することで、オペレーターがプラズマが単に揺れているだけでなく、まさにどのように揺れているのかを把握できるようにする。

未知のデータを用いたテストにおいて、この新しいツールは驚くほど高い精度を示した。C-Mod実験については、成長速度の予測誤差は平均でわずか毎秒5.4ユニットであった。より困難な合成SPARCシナリオにおいては、誤差は毎秒12.7ユニットであったが、これは、大幅に外れることが多い簡略化されたモデルと比較すると、依然として大きな改善である。決定的なことに、このツールは乱れの空間マップを誤差わずか5パーセント程度で再現した。異なる形状の不安定性には異なる制御対応が必要であるため、このレベルの詳細さは極めて重要である。研究者たちがこの新しいツールを他の高度な機械学習手法と比較したところ、特に単純なモデルが見落としがちな複雑な空間構造を捉える点において、優れた性能を発揮した。このツールは、プラズ家の形状を記述する膨大なデータを、より小さな主要な特徴のセットへと圧縮することを学習することで、この速度を実現した。これは、人間が複雑なシーンを、あらゆる細部に注目するのではなく、最も重要な要素に焦点を当てることで要約する様子に似ている。

速度こそがこの開発の主要な原動力であり、その結果は劇的な進歩を示している。従来の高忠実度モデルは、単一のシナリオを計算するのに約3分かかるが、この新しいAIツールは標準的なコンピュータプロセッサ上で、同じ計算を約35ミリ秒で行うことができる。これは5,000倍以上の高速化であり、計算時間を核融合炉の迅速な意思決定ループに余裕を持って収まるスケールまで短縮した。研究者たちが、プラズマがさらに細長く引き伸ばされ、磁場がより強力になるという、SPARC原子炉で予想される極端な条件下でツールをテストした場合でも、その精度は維持された。このツールは、これらの高性能な形状の挙動を精密に予測することができ、制御システムが重大な問題になる前に警告を発し、リアルタイムで原子炉の安定性を監視できる可能性を示唆している。

しかし、研究者たちは、このツールは複雑な物理モデルの代用（サロゲート）、あるいは代わりとなるものであり、基礎的な物理法則の置き換えではないことに注意を促している。これは既存のモデルから学習してその結果を模倣するものであるため、その精度は訓練に使用されたデータの精度に依存する。また、本研究は、このツールがすべての状況において完璧であるわけではないことも強調している。プラズマの状態が訓練中に見たものと類似している場合に最も高い性能を発揮する。SPARCのデザインにおける特定の高性能な形状のような、訓練データとは大きく異なる極端な状況に直面した場合、ツールの予測の確実性は低下する。これに対処するため、研究者たちは自身の信頼性を測定するシステムを組み込んだ。もしツールが訓練とは大きく異なる状況を検知した場合、予測が不確実であることをフラグ立てし、制御システムに対して、より伝統的な手法に頼るか、あるいはより保守的な安全策を取るよう促すことができる。

この研究の意義は、単なる計算の高速化にとどまらない。プラズマの安定性に関する高速かつ詳細な視点を提供することで、このツールは将来の原子炉が、クラッシュのリスクを冒すことなく、その性能限界の近くで動作することを可能にする。これは、常に「ヘッドルーム（余裕）」を監視し、プラズマが安全性の境界線に近づきすぎている場合にオペレーターに警告を発する、常時モニターとして機能し得る。これにより、より多くの電力を生成するために、安全マージンを維持しながらも、より積極的なプラズマ成形が可能になる。研究者たちは、このツールがメインの制御システムと並行して動作し、形状と位置のガイドとなる迅速な安定性評価を提供する未来を描いている。ツール自体は重要な一歩であるが、研究者たちは、これがより大きな安全アーキテクチャの一部であり、核融合炉の安全で安定した運用を確保するために他の監視システムと連携して機能することであると強調している。

また、この研究では、ツールの知識を別の装置へと転移できるかどうかについても調査が行われた。研究者たちはC-Mod実験のデータでAIを訓練し、SPARCのデータを事前に見せることなく、合成SPARCシナリオに対してテストを行った。結果はまちまちであった。ツールは概略的な推定を行うことはできたものの、誤差は大きくなり、SPARCの条件を頻繁に「不確実」としてフラグ立てした。このことは、ツールがプラズマ挙動の一般的な原理を学習することはできるものの、最高レベルの精度を得るためには、対象となる装置固有のデータが必要であることを示唆している。この発見は、実用的な道筋を示している。つまり、最も重要かつ極端な動作条件については高忠実度のデータを生成し続けつつ、初期のスクリーニングやモニタリングのためにこのツールを使用するという方法である。研究者たちは、このアプローチが核融合研究に強力な新しい能力をもたらし、かつては数分を要した計算を、核融合エネルギーの約束を守るためのリアルタイムの洞察へと変えるものであると結論付けている。