Interpreting AI for Fusion: an application to Plasma Profile Analysis for Tearing Mode Stability

Deze studie presenteert een interpretatiekader voor AI-modellen in fusieonderzoek dat, aan de hand van Shapley-analyse op DIII-D-gegevens, aantoont dat de gepiekte elektronentemperatuur en rotatie de belangrijkste factoren zijn voor de stabiliteit van scheurmodi, waarmee de kloof tussen complexe machinelearning en fysica-inzicht wordt overbrugd.

De kern

De Kunst van het Voorspellen: Hoe AI de Plasmastabiliteit in een Kernfusiereactor Begrijpt

Stel je een kernfusiereactor voor als een enorme, superhete soeppan die draait op de kracht van de zon. De "soep" is plasma, een wolk van geladen deeltjes die extreem heet is. Het doel is om deze soep stabiel te houden zodat hij energie kan leveren. Maar er is een probleem: deze soep is onrustig. Soms ontstaan er ongewenste "gaten" of scheurtjes in de soep, die in de vakwereld Tearing Modes (scheurmodi) worden genoemd. Als deze scheurtjes te groot worden, kan de hele reactor uit elkaar spatten en stopt de energieproductie.

Vroeger keken wetenschappers naar de soep en probeerden ze met complexe formules te raden wanneer er een scheurtje zou ontstaan. Vandaag de dag gebruiken ze Kunstmatige Intelligentie (AI). Deze AI is als een supersterke voorspeller die duizenden data-punten tegelijk bekijkt en met 85% zekerheid kan zeggen: "Over 500 milliseconden gaat er een scheurtje ontstaan!"

Het Probleem: De "Black Box"
Maar er zit een addertje onder het gras. Deze AI is een zwarte doos. Hij geeft een antwoord, maar niemand weet waarom hij dat antwoord geeft. Voor een kerncentrale is dat gevaarlijk. Je wilt niet dat de computer zegt "stop de reactor" als je niet weet of het komt omdat de temperatuur te hoog is, of omdat de rotatie te snel gaat. Je wilt weten waarom, zodat je de juiste knop kunt draaien om het probleem op te lossen.

De Oplossing: De "Shapley"-Schaar
In dit artikel presenteren de onderzoekers een slimme manier om de zwarte doos open te maken. Ze gebruiken een methode die Shapley-analyse heet.

• De Analogie: Stel je voor dat je een taart bakt met vijf ingrediënten: bloem, suiker, eieren, boter en melk. De taart is mislukt (een "Tearing Mode"). Je vraagt je af: "Welk ingrediënt heeft de taart het meest bedorven?"
  • Misschien was het de suiker die te veel was.
  • Misschien was het de boter die te koud was.
  • De Shapley-analyse is als een eerlijke scheidsrechter die voor elk ingrediënt berekent: "Jij bent 30% verantwoordelijk voor de mislukking, jij 10%, en jij 60%."

Wat hebben ze ontdekt?
De onderzoekers hebben deze "scheidsrechter" ingezet op data van de DIII-D-reactor (een grote testreactor in de VS). Ze keken naar verschillende eigenschappen van de plasma-soep, zoals:

• Temperatuur: Hoe heet is het?
• Rotatie: Hoe snel draait de soep?
• Dichtheid: Hoe vol zit de pan?

De Resultaten in Gewone Taal:

1. De Temperatuur is de Boosdoener: De AI leerde dat als de kern van de soep (het centrum) te heet wordt, de kans op een scheurtje enorm toeneemt. Het is alsof je de soep te hard op het vuur zet; het begint te koken en te spatten.
2. Rotatie is de Redder: Als de soep in het midden snel genoeg draait, helpt dit om de scheurtjes dicht te houden. Het is als het ronddraaien van een schijf: de centrifugale kracht houdt de soep op zijn plaats.
3. De Dichtheid is Minder Belangrijk: Of de soep nu wat voller of leger is, dat maakt voor de scheurtjes minder uit dan je zou denken.
4. De "Truc" van de AI: In een experiment hebben ze de AI gebruikt om voordat er een scheurtje ontstond, de reactie te sturen. Ze veranderden de manier waarop ze de soep verwarmden (met een soort magnetische straal). Hierdoor werd de temperatuur in het centrum iets anders, en de AI zag: "Ah, nu is het veilig!" en de scheurtjes bleven weg.

Waarom is dit belangrijk?
Voor de toekomst van schone energie (fusie) is dit een doorbraak.

• Vertrouwen: Nu weten we waarom de AI waarschuwt. We kunnen niet blindelings op de computer vertrouwen, maar we begrijpen nu de logica erachter.
• Veiligheid: Als we weten dat "te veel hitte in het midden" het probleem is, kunnen we de reactor zo instellen dat dit nooit gebeurt.
• Brug tussen twee werelden: Dit artikel verbindt de wiskundige wereld van AI met de fysieke wereld van plasma. Het laat zien dat AI niet alleen een "magische doos" is, maar een krachtig gereedschap om de natuurwetten van de zon beter te begrijpen.

Kortom:
De onderzoekers hebben een AI getraind om scheurtjes in een plasma te voorspellen. Maar ze zijn niet gestopt bij de voorspelling. Ze hebben de "brein" van de AI opengebroken om te zien welke knoppen (temperatuur, rotatie) het belangrijkst zijn. Zo kunnen we in de toekomst betere, veiligere kernfusiereactoren bouwen die nooit meer "uit elkaar spatten".

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Interpreting AI for Fusion: An Application to Plasma Profile Analysis for Tearing Mode Stability" in het Nederlands.

Titel: AI interpreteren voor Fusie: Een Toepassing op Plasma Profielanalyse voor Stabiliteit van Scheurmodi (Tearing Modes)

Auteurs: Hiro J Farre-Kaga et al. (Princeton University, PPPL, Carnegie Mellon University)
Context: DIII-D Tokamak experimenten, Machine Learning (ML), Plasmafysica.

---

1. Het Probleem

Tokamaks zijn veelbelovende technologieën voor kernfusie-energie, maar ze worstelen met het handhaven van plasma-stabiliteit. Instabiliteiten zoals Scheurmodi (Tearing Modes - TM) kunnen leiden tot prestatieverlies of disrupties.

• De uitdaging: Machine Learning (ML) en Kunstmatige Intelligentie (AI) hebben bewezen uitstekende voorspellende capaciteiten te hebben voor deze instabiliteiten. Echter, de meeste ML-modellen zijn "black boxes" (ondoorzichtig). Voor toekomstige fusiecentrales is het cruciaal dat controlesystemen interpreteerbaar zijn; operators moeten begrijpen waarom een model een actie voorspelt en welke fysieke oorzaken hieraan ten grondslag liggen.
• De huidige beperking: Bestaande benaderingen gebruiken vaak "gray-box" modellen (zoals Random Forests) die interpreteerbaar zijn maar minder nauwkeurig, of ze gebruiken complexe "black-box" modellen (zoals Deep Neural Networks) die zeer nauwkeurig zijn maar geen inzicht geven in de onderliggende fysica.

2. Methodologie

De auteurs presenteren een raamwerk dat een hoogwaardig "black-box" ML-model combineert met Shapley-analyse om fysieke inzichten te halen uit de voorspellingen.

• Model Architectuur: Ze gebruiken een Deep Survival Machine (DSM) model (gebaseerd op de Auton-Survival bibliotheek). Dit is een statistisch schema dat de waarschijnlijkheid berekent dat een gebeurtenis (hier: het optreden van een TM) binnen een bepaalde tijdshorizon zal plaatsvinden, gegeven een set invoerfeatures.
  • Training: Het model wordt getraind op 6050 DIII-D shots (1476 shots met n=1 TMs). De invoer omvat real-time kinetische profielen (elektronen- en ionentemperatuur, dichtheid, rotatie, druk, etc.) en scalars (stroom, magnetisch veld, verwarmingsvermogen).
  • Labeling: Een TM wordt gelabeld als de RMS-amplitude van de n=1 magnetische fluctuaties boven de 12G komt.
• Interpretatie (Shapley Analysis): In plaats van het model zelf te veranderen, wordt Shapley-analyse (een game-theoretische methode) toegepast om de bijdrage van elke invoerfeature (bijv. temperatuur op een specifieke straal) aan de voorspelling te kwantificeren.
  • Referentieverdeling: Om de analyse relevant te maken, wordt de dataset beperkt tot de 11 shots van een specifiek DIII-D experiment (in plaats van de hele database), zodat de interpretatie gebaseerd is op de relevante plasma-evenwichten.
  • Profiel-only model: Voor de diepgaande analyse wordt een model getraind dat alleen plasma-profielen als invoer gebruikt (zonder scalars zoals $\beta_N$), om de directe invloed van profielveranderingen op de stabiliteit te isoleren.

3. Belangrijkste Bijdragen

1. Brug tussen Fysica en AI: Het artikel demonstreert een generaliseerbare methode om complexe ML-modellen voor fusie interpreteerbaar te maken zonder in te leveren op voorspellende nauwkeurigheid.
2. Validatie door Experiment: Het model en de interpretatiemethode worden getest op een specifiek, gewijd DIII-D experiment voor preventieve onderdrukking van TMs.
3. Fysieke Inzichten: Het onthult specifieke mechanismen die TMs stabiliseren of destabiliseren, die soms in tegenspraak zijn met of verfijnen bestaande kennis.

4. Resultaten

A. Modelprestaties:

• Het DSM-model bereikte een AUROC-score van 0,85 met een gemiddelde waarschuwingstijd van ongeveer 1000 ms.
• Dit biedt voldoende tijd voor actuatoren (zoals Elektron Cyclotron Heating - ECH) om in te grijpen voordat de instabiliteit optreedt.

B. Het DIII-D Experiment (Preventieve Onderdrukking):

• In een experiment met een verhoogde $q_{min}$ (een scenario dat gevoelig is voor TMs) werd het model gebruikt om TMs te voorspellen.
• Bij een voorspelde TM werd de ECH-depositie real-time aangepast om stroomdrijving (ECCD) op het $q=2$-oppervlak te richten.
• Resultaat: In shots waar de ECH-depositie werd aangepast, werden TMs succesvol onderdrukt, terwijl referentie shots (zonder aanpassing) wel een TM vertoonden. Het model voorspelde correct wanneer ingrijpen nodig was en reageerde op de stabiliserende effecten van de aanpassing.

C. Fysieke Interpretatie via Shapley-analyse:
De analyse van de profielen leverde de volgende inzichten op:

• Elektronentemperatuur ($T_e$): Een hoge kerntemperatuur ($T_e$) is destabiliserend. De impact neemt lineair toe met de grootte van $T_e$.
• Ionentemperatuur ($T_i$): Het effect van $T_i$ is complexer. Tussen 2 en 3,5 keV is de impact klein, maar bij hogere waarden neemt het risico op TMs exponentieel toe. Dit suggereert dat plasma's met een hoge $T_e/T_i$-verhouding mogelijk stabieler zijn.
• Rotatie: Een hoge kernrotatie is over het algemeen stabiliserend (onderdrukt MHD-instabiliteiten). Echter, een hoge rotatie aan de rand (edge) kan licht destabiliserend werken, wat wijst op het belang van rotatiegradiënten.
• Dichtheid: Een gepiekt dichtheidsprofiel is licht destabiliserend, maar het gemiddelde niveau heeft minder invloed dan de vorm.
• ECH-effecten: Het veranderen van ECH-depositie stabiliseert het plasma via drie mechanismen:
  1. Lokale stroomdrijving op het $q=2$-oppervlak (stabiliserend).
  2. Elektronverwarming (kan licht destabiliserend zijn, maar wordt gecompenseerd).
  3. Dichtheids-pump-out (vermindering van dichtheid), wat een stabiliserend effect heeft.

5. Betekenis en Toekomstperspectief

• Betrouwbaarheid: Dit werk toont aan dat AI-modellen veilig kunnen worden ingezet in fusiecentrales als ze worden gekoppeld aan interpretatie-tools. Operators kunnen vertrouwen op de voorspelling omdat ze de fysieke redenen begrijpen.
• Nieuwe Fysica: De studie onthult subtiele verschillen in het gedrag van $T_e$ versus $T_i$ en de rol van rotatiegradiënten, wat leidt tot nieuwe richtlijnen voor experimenten (bijv. het optimaliseren van de verhouding tussen ECH en NBI-verwarming).
• Generaliseerbaarheid: Het raamwerk is toepasbaar op andere instabiliteiten (zoals ELMs of disrupties) en andere machines. Door de referentieverdeling aan te passen, kan de analyse worden toegespitst op specifieke operationele scenario's (zoals ITER-basisscenario's).

Conclusie:
De auteurs hebben succesvol een "black-box" AI-model getransformeerd naar een interpreteerbaar hulpmiddel dat niet alleen TMs voorspelt, maar ook de onderliggende fysica blootlegt. Dit vormt een cruciale stap naar het implementeren van veilige, AI-gestuurde controlesystemen voor de volgende generatie fusiereactoren.