TorbeamNN: Machine learning based steering of ECH mirrors on KSTAR

De auteurs hebben TorbeamNN ontwikkeld, een machine learning-subsitietmodel dat de snelheid van de TORBEAM-raytracingcode voor KSTAR-plasma's met meer dan een factor 100 verhoogt zonder nauwkeurigheidsverlies, waardoor real-time besturing van ECH-mirrors met een minimale trackingfout van 0,5 cm mogelijk wordt.

De kern

TorbeamNN: De Slimme Verkeersleider voor KSTAR's Hitte-straal

Stel je voor dat je een gigantische, superhete soepkoker hebt (een tokamak, zoals KSTAR in Zuid-Korea). Om deze soep te koken en energie te maken, moet je er extreem hete stralen in schieten. Maar hier is het probleem: de soep is niet statisch; hij borrelt, beweegt en verandert van vorm. Als je de straal een beetje verkeerd richt, raakt hij de verkeerde plek en wordt je soep niet goed gekookt, of erger: de pan kan beschadigen.

Deze "stralen" zijn Elektron Cyclotron Heating (ECH)-stralen. Ze moeten precies op de juiste plek in de soep landen om de elektronen te verwarmen.

Het Oude Probleem: De Traage Navigatie

Vroeger gebruikten de wetenschappers een zeer nauwkeurige, maar trage computerprogramma genaamd TORBEAM om te berekenen waar de straal moet landen.

• De analogie: Het is alsof je een auto bestuurt met een navigatiesysteem dat elke keer 10 seconden duurt om de route te berekenen. Als je plotseling een bocht moet nemen (zoals een snelle verandering in de soep), is de navigatie al te laat. De auto rijdt dan al de verkeerde kant op voordat het systeem zegt "draai links".
• In de wereld van kernfusie zijn die "bochten" soms zo snel (binnen 20-50 milliseconden) dat een 10-seconden vertraging funest is.

De Oplossing: TorbeamNN (De Slimme Voorspeller)

De auteurs van dit papier hebben een nieuwe oplossing bedacht: TorbeamNN. Dit is een kunstmatige intelligentie (machine learning) die is getraind om het oude, trage programma te imiteren, maar dan honderden keren sneller.

• De analogie: Stel je voor dat je een ervaren kok hebt die duizenden keren heeft geoefend. Hij hoeft niet meer elke keer de route te berekenen. Hij kijkt naar de situatie (hoe de soep eruitziet) en zegt direct: "Ah, als je de straal hierheen richt, landt hij perfect."
• De snelheid: Waar het oude programma 10 milliseconden nodig had, doet TorbeamNN dit in 0,05 milliseconden. Dat is een snelheidswinst van meer dan 100 keer. Het is alsof je van een paard en wagen overschakelt op een raket.

Hoe werkt het in de praktijk?

1. Oefenen (Training): De AI is eerst offline getraind met duizenden simulaties van de KSTAR-reactor. Het heeft geleerd hoe de stralen zich gedragen onder verschillende omstandigheden (zoals de vorm van de soep, de sterkte van het magnetische veld, en de dichtheid van de deeltjes).
2. De Test (Live): Vervolgens is de AI aangesloten op de echte KSTAR-reactor. De AI kreeg real-time data binnen en kon direct de spiegels in de machine besturen om de straal op de juiste plek te houden.
3. Het Resultaat: De AI kon de straal volgen terwijl de "soep" bewoog. De afwijking was gemiddeld slechts 0,5 centimeter. Dat is alsof je een dartschijf raakt op een afstand van 10 meter, terwijl de schijf zelf ook nog beweegt.

Waarom is dit belangrijk?

In de toekomst willen we niet alleen de soep koken, maar ook specifieke problemen oplossen, zoals het voorkomen van instabiliteiten die de reactor kunnen verstoren (vergelijkbaar met het voorkomen van een kookpotschok).

• Met het oude trage systeem was dit bijna onmogelijk omdat de reactie te langzaam was.
• Met TorbeamNN kunnen we de stralen razendsnel verplaatsen, precies waar ze nodig zijn, zelfs als de situatie in de reactor plotseling verandert.

Kortom: TorbeamNN is de slimme, supersnelle verkeersleider die ervoor zorgt dat de hitte-straal altijd op de juiste plek in de reactor landt, waardoor we dichter bij schone en onuitputtelijke energie komen. Het is een stap van "nadenken en wachten" naar "direct reageren en doen".

Technische samenvatting

Titel: TorbeamNN: Machine learning-gestuurde besturing van ECH-mirrors op KSTAR

Auteurs: Andrew Rothstein et al. (Princeton University, KFE, Seoul National University, PPPL)

---

1. Het Probleem

In toekomstige tokamak-reactoren (zoals ITER) is radiofrequentie (RF) verwarming, en specifisch Elektron Cyclotron Verwarming (ECH), essentieel voor het verwarmen van het plasma en het genereren van niet-inductieve stroom (ECCD). Voor effectieve controle van plasma-instabiliteiten (zoals Neoclassical Tearing Modes - NTM's) en scenario-optimalisatie is het cruciaal dat de ECH-stralen nauwkeurig worden gericht op specifieke locaties in het plasma.

De huidige uitdagingen zijn:

• Berekeningstijd: De fysica-gebaseerde ray-tracing code TORBEAM is de standaard voor het voorspellen van absorptielocaties. Hoewel een vereenvoudigde real-time versie binnen ongeveer 10 ms kan draaien, is deze vertraging te groot voor snelle plasma-transiënten (zoals ELM's of sawteeth) die op tijdschalen van 20-50 ms optreden.
• Data-vereisten: De volledige TORBEAM-code vereist gedetailleerde real-time informatie over de magnetische velden en de elektronentemperatuur ($T_e$) en -dichtheid ($n_e$) profielen. Tokamaks zoals KSTAR hebben momenteel geen real-time $T_e$-profielbeschikbaarheid.
• Flexibiliteit: Voor geavanceerde besturingssystemen die meerdere taken tegelijk moeten uitvoeren (multi-tasking), is een snellere berekening nodig om de spiegelrichting dynamisch aan te passen zonder vertraging.

2. Methodologie

De auteurs hebben TorbeamNN ontwikkeld: een machine learning (ML) surrogaatmodel dat de TORBEAM ray-tracing code vervangt.

• Dataverzameling:
  • Er zijn 6 afzonderlijke modellen getraind voor de drie gyrotrons (EC2, EC4, EC5) op KSTAR, elk voor zowel X-mode als O-mode operatie.
  • Het trainingsdataset bestaat uit 2.712 unieke tijdschijven uit 336 experimenten van de 2024-campagne.
  • Voor elke tijdschijf en spiegelhoek is de volledige, hoge-trouw TORBEAM-code offline uitgevoerd, resulterend in bijna 650.000 berekeningen.
• Modelarchitectuur:
  • Inputs: De modellen gebruiken hardware-gegevens van de spiegels (poloïdale en toroïdale hoeken), evenals real-time plasma-parameters afgeleid van rtEFIT (magnetisch evenwicht) en een ML-surrogaat voor de elektronendichtheid ($n_e$). Belangrijke inputs zijn de toroïdale veldsterkte ($B_T$), plasma-stroom ($I_P$), minor radius, en genormaliseerde druk ($\beta_N$).
  • Outputs: Het model voorspelt de poloidale straal ($\rho_{pol}$), de absorptie-coördinaten ($R, Z$) en de stroomdrijvende efficiëntie ($\eta_{CD}$).
  • Netwerk: Een dicht (dense) neurale netwerk met 3 lagen van elk 60 neuronen, gebruikmakend van de ReLU-activatiefunctie en een lineaire outputlaag.
• Implementatie:
  • De getrainde Keras-modellen zijn geconverteerd naar C-functies (via keras2c) voor integratie in het KSTAR Plasma Control System (PCS).

3. Belangrijkste Bijdragen

• Ontwikkeling van TorbeamNN: Het eerste ML-surrogaatmodel dat specifiek is getraind en gevalideerd voor ECH-besturing op de KSTAR tokamak.
• Significante Snelheidswinst: Het model biedt een snelheidswinst van meer dan 100 keer ten opzichte van de bestaande real-time TORBEAM-implementatie.
• Validatie in Experiment: Het model is niet alleen offline getest, maar ook succesvol ingezet in een real-time experimentele setting op KSTAR.
• Vereenvoudiging van Inputs: Het model toont aan dat complexe 3D-magnetische veldroosters niet nodig zijn; globale plasma-parameters en een beperkt aantal $n_e$-punten zijn voldoende voor hoge nauwkeurigheid.

4. Resultaten

• Offline Nauwkeurigheid:
  • De $R^2$-waarden voor alle voorspellingen liggen boven 0,992.
  • De gemiddelde absolute fout (MAE) voor de voorspelling van de Z-absorptielocatie is slechts 0,2 cm op de testset.
  • O-mode presteert over het algemeen iets beter dan X-mode, wat fysiek logisch is vanwege minder refractie.
• Real-time Prestaties:
  • Berekeningstijd: Elk model draait consistent in minder dan 60 µs (typisch rond 50 µs). De totale cyclus voor drie gyrotrons blijft onder de 180 µs.
  • Tracking: Tijdens een dynamische plasma-shot werd een PID-controllersysteem gebruikt om een doel-Z-locatie te volgen terwijl de toroïdale spiegelhoek veranderde.
  • Foutmarge: De gemiddelde trackingfout tijdens feedback-controle was 0,535 cm (na een opstartperiode). Dit is binnen de verwachte fluctuaties veroorzaakt door plasma-transiënten en voldoende nauwkeurig voor real-time controle.
  • Vergelijking: De fouten in het model zijn vergelijkbaar met de onzekerheden in de invoergegevens (real-time EFIT en $n_e$-reconstructie), wat aangeeft dat het model zelf geen significante extra fout introduceert.

5. Betekenis en Toekomstperspectief

• Versnelling van Plasmacontrole: TorbeamNN maakt het mogelijk om ECH-spiegels veel sneller aan te sturen dan ooit tevoren, wat essentieel is voor het onderdrukken van snelle instabiliteiten en het uitvoeren van complexe multi-tasking taken binnen één plasma-shot.
• Toepassing op ITER: De resultaten zijn direct relevant voor de toekomstige ECH-controlesystemen op ITER, waar snelle en nauwkeurige straalbesturing cruciaal is voor NTM-onderdrukking en scenario-ontwikkeling.
• Toekomstige Ontwikkelingen:
  • Met de komst van real-time MSE-diagnostiek op KSTAR kan het model worden gebruikt voor q-profieltracking.
  • De snelheid en differentieerbaarheid van ML-modellen kunnen leiden tot geavanceerdere besturingsalgoritmen die geen PID-regeling meer nodig hebben, maar direct de optimale spiegelhoek berekenen via gradient-based methods.
  • Uitbreiding naar het voorspellen van volledige ECH/ECCD-profielen in real-time voor geoptimaliseerde verwarming en stroomdrijving.

Conclusie:
TorbeamNN bewijst dat machine learning-surrogaatmodellen een robuust en extreem snel alternatief zijn voor traditionele ray-tracing codes in fusieplasma-controle. Het systeem combineert hoge nauwkeurigheid met een berekeningstijd die volledig compatibel is met de snelle dynamiek van tokamak-plasma's, waardoor het een sleuteltechnologie wordt voor de volgende generatie fusiereactoren.