Adaptive Anomaly Detection Disruption Prediction Starting from First Discharge on Tokamak

Dit artikel presenteert een adaptieve methode op basis van een Enhanced Convolutional Autoencoder (E-CAAD) die het mogelijk maakt om plasma-disrupties in nieuwe tokamaks al vanaf de eerste schot te voorspellen door middel van cross-device overdracht en aanpassing aan schaarse data.

De kern

Stel je voor dat je een gigantische, complexe machine bouwt die sterren nabootst op aarde om oneindig schone energie te maken. Dit is een tokamak. Het probleem is dat deze machine soms plotseling "ontspoort" – een fenomeen dat we een disruptie noemen. Dit is alsof je een raceauto laat ontploffen terwijl hij nog maar net van start is gegaan. Dit kan de machine zwaar beschadigen en kost veel geld.

Om dit te voorkomen, hebben wetenschappers een soort waarschuwingssysteem nodig dat zegt: "Hé, binnenkort gaat het mis, rem nu!"

Het oude probleem: De "Geen-Data"-dilemma
Tot nu toe werkten deze waarschuwingssystemen als een student die pas kan slagen als hij duizenden oude examens heeft gelezen. Ze hebben enorme hoeveelheden data nodig van eerdere ritten (schoten) om te leren wat een "normale" rit is en wat een "gevaarlijke" rit.

Maar hier zit de knoop: Als je een nieuwe tokamak bouwt, heb je die data nog niet! Je hebt nog maar één rit gemaakt. Hoe kun je een waarschuwingssysteem bouwen dat werkt op de aller eerste rit, zonder dat het systeem ooit iets heeft gezien? Het is alsof je een brandweerman moet opleiden die nog nooit een brand heeft gezien, maar die toch direct een vuur moet kunnen herkennen.

De oplossing: Een slimme "Reisgids" die zich aanpast
De auteurs van dit paper hebben een slimme oplossing bedacht, genaamd E-CAAD. Je kunt dit zien als een super-slimme reisgids die je meeneemt naar een nieuw land.

1. De slimme start (Cross-tokamak):
   Stel je voor dat je een gids hebt die al duizenden landen heeft bezocht (oude machines zoals J-TEXT). Hij kent de patronen van gevaarlijk terrein heel goed. Zelfs als je naar een compleet nieuw land gaat (een nieuwe machine zoals EAST), kan deze gids zeggen: "Kijk, dit terrein lijkt op dat gevaarlijke bos in het vorige land. Wees voorzichtig!"
   Dankzij hun nieuwe methode kan het systeem dus al vanaf de eerste rit waarschuwen, omdat het zijn kennis van andere machines slim gebruikt.

2. Leren terwijl je loopt (Adaptief leren):
   In het begin weet de gids nog niet alles over het nieuwe land. Dus, het systeem leert direct van elke nieuwe rit die je maakt. Het is alsof de gids zijn kaartje elke keer een beetje aanpast op basis van wat hij net heeft gezien. Zelfs met heel weinig data (slechts een paar ritten) past hij zich razendsnel aan aan de nieuwe omgeving.

3. De slimme alarmbel (Drempel-aanpassing):
   Normaal gesproken moet je handmatig instellen hoe hard de alarmbel moet rinkelen voordat je ingrijpt. Maar in een nieuw land heb je geen lijstje met "oude ongelukken" om te kijken wat een goede instelling is.
   Het systeem lost dit op door de alarmbel zelf slim te maken. Het past de gevoeligheid automatisch aan. Als de situatie rustig is, rinkelt hij niet voor niets (geen valse alarmen). Als het gevaarlijk wordt, rinkelt hij direct, zelfs zonder dat iemand de knop heeft gedraaid.

Het resultaat
In hun test hebben ze dit systeem getoetst door het van de ene machine (J-TEXT) naar de andere (EAST) te verplaatsen. Het resultaat was verbazingwekkend: het systeem deed het bijna net zo goed als systemen die jarenlang data hadden verzameld.

• Het zag 85,88% van de echte gevaarlijke situaties (TPR).
• Het gaf maar 6,15% onterechte waarschuwingen (FPR).
• En het gaf genoeg tijd (20 milliseconden) om de noodrem (MGI) te gebruiken en de machine veilig te stoppen.

Kortom:
Dit paper beschrijft een manier om een slimme, aanpasbare "veiligheidsassistent" te bouwen die niet wacht tot hij duizenden fouten heeft gezien. Hij kan vanaf dag één, op een compleet nieuwe machine, gevaar herkennen, zichzelf bijscholen en de juiste alarmen geven. Dit maakt het veiliger en sneller om nieuwe fusiemachines te bouwen en te testen.

Technische samenvatting

Probleemstelling

Plasma-disrupties vormen een kritieke uitdaging voor tokamak-fusie, aangezien ze ernstige schade aan de installatie en aanzienlijke economische verliezen kunnen veroorzaken. Bestaande voorspellers voor disrupties vertrouwen voornamelijk op datagedreven methoden die uitgebreide datasets van eerdere ontladingen vereisen voor training. Dit creëert een fundamenteel probleem voor toekomstige tokamaks: deze moeten disrupties kunnen voorspellen vanaf de eerste ontlading (first shot). Tijdens deze vroege operationele fase is er sprake van een acuut tekort aan data, wat het trainen van traditionele modellen onmogelijk maakt. Bovendien moet de voorspeller zich kunnen aanpassen aan een evoluerend plasma-omgeving terwijl de operationele grenzen worden verkend en data wordt verzameld voor toekomstige modellen.

Methodologie

De auteurs stellen een cross-tokamak adaptieve implementatiemethode voor, gebaseerd op de Enhanced Convolutional Autoencoder Anomaly Detection (E-CAAD) predictor. De aanpak bestaat uit drie kerncomponenten:

1. Cross-device Transfer: Het model wordt getraind op bestaande tokamaks (bron) en vervolgens toegepast op een nieuwe, nog niet getrainde tokamak (doel). Het doel is om disruptie-voorlopers te onderscheiden van niet-disruptie-monsters zonder dat er eerst data van de nieuwe machine beschikbaar is.
2. Adaptief Leren vanaf Nul (Adaptive Learning from Scratch): Om het tekort aan data in de vroege fase van de nieuwe tokamak op te vangen, wordt een strategie ontwikkeld waarbij het model zich snel aanpast aan de veranderende operationele omgeving met behulp van de schaarse beschikbare data.
3. Adaptieve Drempelverstelling (Threshold Adaptive Adjustment): Een cruciale uitdaging bij nieuwe apparaten is het ontbreken van een validatieset om de waarschuwingsdrempels te kalibreren. De voorgestelde strategie past deze drempels dynamisch aan op basis van de veranderende operationele omstandigheden, zodat de voorspeller betrouwbaar blijft zonder voorafgaande validatie.

Belangrijkste Bijdragen

• Eerste-ondersteuning: Het bewijzen van de haalbaarheid van disruptievoorspelling vanaf de allereerste ontlading van een nieuw apparaat, een stap die essentieel is voor de veilige exploratie van operationele ruimtes in toekomstige fusiereactoren.
• E-CAAD Architectuur: De ontwikkeling van een verbeterde convolutionele autoencoder die specifiek is ontworpen voor anomaliedetectie in plasma-gegevens, met de capaciteit om patronen te herkennen die overdraagbaar zijn tussen verschillende tokamak-ontwerpen.
• Adaptieve Strategieën: De introductie van twee specifieke mechanismen (leren vanaf nul en drempelverstelling) die de afhankelijkheid van grote historische datasets elimineren en het model robuust maken tegen veranderingen in de operationele omgeving.

Resultaten

De effectiviteit van de methode is getest door het model over te dragen van de J-TEXT tokamak naar de EAST tokamak. De resultaten tonen aan dat het getransfereerde model vergelijkbare prestaties levert als modellen die op EAST zijn getraind met uitgebreide datasets:

• True Positive Rate (TPR): 85,88% (het vermogen om echte disrupties correct te detecteren).
• False Positive Rate (FPR): 6,15% (het percentage onterechte waarschuwingen).
• Reactietijd: Het systeem biedt een gereserveerde reactietijd van 20 ms voor het Magnetische Injectie-systeem (MGI), wat voldoende tijd biedt voor mitigatieacties.

Betekenis en Impact

Dit onderzoek is van groot belang voor de ontwikkeling van toekomstige fusie-installaties (zoals ITER en DEMO). Het lost het "koude start"-probleem op, waarbij nieuwe reactoren veilig kunnen opereren zonder eerst jaren aan data te hoeven verzamelen. Door het vermogen om zich direct aan te passen aan nieuwe omgevingen en schaarse data te benutten, draagt deze methode bij aan de veiligheid en economische haalbaarheid van kernfusie-energie, en versnelt het de ontwikkeling van geavanceerde voorspellingsmodellen voor de volgende generatie tokamaks.