Nonlinear anisotropic equilibrium reconstruction in axisymmetric magnetic mirrors

Dit artikel beschrijft een nieuwe methode voor niet-lineaire reconstructie van magnetische evenwichten in asymmetrische magnetische spiegels met anisotrope druk, die gebruikmaakt van machine learning en Bayes-optimalisatie om sloshing-ionen in het WHAM-experiment nauwkeurig en snel te identificeren, zelfs bij hoge plasma-β en beperkte diagnostiek.

De kern

Het Grote Magneet-Puzzelspel: Hoe we onzichtbare plasma's in kaart brengen

Stel je voor dat je in een volledig afgesloten, glazen kamer staat. Binnenin deze kamer gebeurt er iets heel energiek: er is een wolk van superheet gas (plasma) die rondspint en wordt vastgehouden door onzichtbare magnetische krachten. Je kunt de kamer niet openmaken en je kunt er niet rechtstreeks in kijken. Je hebt alleen een paar kleine vensters (sensoren) aan de muur waar je doorheen kunt kijken.

Het doel van dit onderzoek is om een 3D-kaart te maken van wat er precies in die kamer gebeurt, puur op basis van wat je door die kleine vensters ziet. Dit heet "equilibrium reconstructie" (evenwichtsherstel).

1. Het Probleem: Een onrustige dans

In de meeste oude experimenten was dit gas redelijk rustig en voorspelbaar, als een soepel balletje deeg. Maar in de nieuwe experimenten (zoals de WHAM-machine in Wisconsin) is het gas heel heet en druk. De deeltjes dansen niet zomaar rond; ze "slingeren" (sloshing ions).

Stel je voor dat je een emmer water hebt en je schudt hem hevig. Het water slaat tegen de wanden en vormt golven. In het plasma doen de snelle ionen (de zware deeltjes) precies hetzelfde: ze schieten naar de uiteinden van de magnetische kooi, botsen er tegen en stuiteren terug. Dit maakt het gas heel onstabiel en moeilijk te voorspellen. Als je probeert dit te modelleren alsof het een rustig balletje deeg is, krijg je een verkeerd beeld.

2. De Oplossing: Een slimme "AI-gids"

De onderzoekers hebben een nieuwe manier bedacht om dit probleem op te lossen. Ze gebruiken twee krachtige hulpmiddelen:

• Een nieuwe taal voor het plasma: In plaats van te zeggen "het gas is overal hetzelfde", hebben ze een nieuwe "taal" (wiskundige basisfuncties) ontwikkeld die precies beschrijft hoe die slingerende deeltjes zich gedragen. Het is alsof je van een simpele platte kaart overstapt op een gedetailleerde 3D-landschapskaart met heuvels en dalen die precies laten zien waar de deeltjes zich ophopen.
• Machine Learning (AI): Om deze kaart te tekenen, gebruiken ze een slim algoritme dat heet Bayesian Optimization.
  • De analogie: Stel je voor dat je in het donker een schat moet vinden. Een oude methode is om elke steen één voor één om te draaien (zeer traag). Deze nieuwe AI-methode is als een slimme hond die ruikt waar de geur het sterkst is. Hij probeert een paar plekken, leert van zijn fouten, en springt dan direct naar de beste plek. Bovendien kan deze AI ook zeggen: "Ik ben 90% zeker dat de schat hier ligt," waardoor we weten hoe betrouwbaar het antwoord is.

3. Wat hebben ze ontdekt?

De onderzoekers hebben hun nieuwe methode eerst getest met "nep-data" (simulaties) en het werkte perfect. Vervolgens hebben ze het toegepast op echte data van de WHAM-machine.

Het resultaat? Ze konden bewijzen dat er inderdaad slingerende ionen aanwezig waren in de experimenten.

• Bij de experimenten met minder gas (moderate density) zagen ze die typische "slingerende" patronen: de deeltjes hopen zich op op bepaalde plekken, net als water dat in een emmer tegen de randen slaat.
• Bij de experimenten met veel gas (high density) was het gas juist rustiger en voorspelbaarder, meer als een soepel balletje.

Ze hebben ook gecontroleerd of het misschien niet de elektronen waren die slingerden (wat ook mogelijk is), maar hun berekeningen toonden aan dat het echt de zware ionen waren.

4. Waarom is dit belangrijk?

Dit is een grote stap voor de toekomst van fusie-energie (oneindige schone energie).

• Minder sensoren nodig: Traditioneel heb je honderden sensoren nodig om een plasma te begrijpen. Met deze nieuwe methode kun je met veel minder sensoren al een heel nauwkeurig beeld krijgen. Dit is cruciaal voor toekomstige fusiecentrales, waar ruimte voor sensoren beperkt is.
• Veiligheid: Als je weet hoe het plasma zich gedraagt, kun je voorkomen dat het instabiel wordt en de machine beschadigt.
• Efficiëntie: Het helpt ons te begrijpen hoe we de energie in het plasma het beste kunnen vasthouden om stroom te genereren.

Kortom: De onderzoekers hebben een slimme nieuwe "bril" en een "AI-assistent" ontwikkeld. Hierdoor kunnen ze, zelfs met weinig meetpunten, precies zien hoe het hete plasma in de magnetische kooi beweegt en of er gevaarlijke slingerbewegingen plaatsvinden. Dit brengt ons een stap dichter bij het bouwen van een werkende fusiereactor.

Technische samenvatting

Titel: Niet-lineaire anisotrope evenwichtsherconstructie in axiale magnetische spiegels

Auteurs: S. J. Frank et al. (Realta Fusion, University of Wisconsin-Madison, CompX, Princeton University, MIT)
Datum: 10 februari 2026

---

1. Probleemstelling

Magnetische evenwichtsherconstructie is een fundamentele simulatiecapaciteit voor het interpreteren van diagnostische metingen in plasma-experimenten. Traditionele methoden zijn voornamelijk ontwikkeld voor tokamaks met isotrope druk en relatief lage plasma-$\beta$ (de verhouding tussen plasma-druk en magnetische druk).

Er zijn echter twee belangrijke uitdagingen bij de toepassing op moderne magnetische spiegel-experimenten, zoals de Wisconsin High Temperature Superconducting Axisymmetric Magnetic Mirror (WHAM):

1. Hoge $\beta$ en Anisotropie: In spiegel-machines kunnen plasma's een hoge $\beta$ bereiken en vertonen ze sterke anisotropie in druk (verschil tussen druk parallel en loodrecht op het magnetische veld) door snelle ionen (zoals "sloshing ions" gegenereerd door neutrale bundelinjectie, NBI). Bestaande lineaire methoden of methoden die isotrope aannames maken, zijn hier ontoereikend.
2. Beperkte Diagnostiek: Veel fusie-apparaten, inclusief toekomstige krachtcentrales, hebben beperkte diagnostische middelen. Het is moeilijk om nauwkeurige niet-lineaire reconstructies te maken met weinig meetpunten, terwijl de onzekerheid in de resultaten vaak niet wordt gekwantificeerd.

Het doel van dit werk is het ontwikkelen van een methode voor niet-lineaire, anisotrope evenwichtsherconstructie met automatische onzekerheidskwantificatie, specifiek voor axiale magnetische spiegels met hoge $\beta$.

---

2. Methodologie

De auteurs hebben een geïntegreerde aanpak ontwikkeld die bestaat uit drie kerncomponenten:

A. De Pleiades Evenwichtsoplosser

• Basis: Pleiades is een Green's-functie gebaseerde "free-boundary" Grad-Shafranov (GS) oplosser.
• Fysica: Het lost de GS-vergelijking op voor axiale symmetrie, waarbij de stroomdichtheid $J_\phi$ wordt berekend uit de MHD-krachtenbalans met een anisotrope druktensor ($p_\parallel$ en $p_\perp$).
• Iteratie: Het algoritme interpolatieert drukprofielen op het magnetische veld, berekent de plasma-bijdrage aan de flux, en herhaalt dit totdat convergentie is bereikt.
• Randvoorwaarden: Het houdt rekening met perfecte geleidende wanden (indien nodig) en magneten.

B. Een Nieuw Kinetic Basis Set (Fysiek Gemotiveerd)

In plaats van empirische of lineaire basisfuncties, gebruiken de auteurs een semi-analytische kinetische basis voor de deeltjesverdelingsfunctie $f(v, \theta)$, gebaseerd op de oplossing van de Fokker-Planck vergelijking voor een NBI-gedreven spiegelplasma.

• Model: Het model beschrijft de druk en dichtheid als een som van een "gas-dynamisch" (Maxwelliaans) component en een "hot ion" component (sloshing ions).
• Voordelen:
  • Het bevat ion-ion verstrooiing, wat discontinuïteiten voorkomt die instabiliteiten (zoals de spiegel-instabiliteit) kunnen veroorzaken.
  • Het bepaalt druk en dichtheid zelfconsistent, waardoor zowel magnetische als dichtheidsmetingen kunnen worden gebruikt voor de reconstructie.
  • Het is geparametriseerd met fysische grootheden (bijv. $T_e$, $Z_{eff}$, NBI-parameters), wat dieper inzicht geeft in de plasmacondities.

C. Machine Learning: Scalable Constrained Bayesian Optimization (SCBO)

Voor het vinden van de optimale parameters die de meetdata het beste beschrijven, wordt Bayesian Optimization met Gaussian Processes (BOGP) gebruikt, specifiek de SCBO-variant.

• Doelfunctie: Minimalisatie van $\chi^2$ tussen gesimuleerde diagnostische waarden (fluxlussen, dichtheid, temperatuur) en experimentele metingen.
• Beperkingen (Constraints): SCBO kan optimalisaties beperken zodat het algoritme niet faalt bij parameters die leiden tot instabiele toestanden (bijv. $\beta > 1$ of schending van de vuurpijl/spiegel-instabiliteitscriteria).
• Onzekerheidskwantificatie: Omdat een Gaussian Process-suraatmodel wordt gebruikt, kunnen betrouwbaarheidsintervallen (confidence regions) voor de reconstructieparameters snel worden berekend zonder extra rekenkosten.
• Robuustheid: SCBO is minder gevoelig voor initiële schattingen dan traditionele methoden (zoals Newton-Raphson) en convergeert sneller in hoge dimensies.

---

3. Belangrijkste Resultaten

A. Validatie met Synthetische Data

De methode werd getest op synthetische data gegenereerd door CQL3D-m/Pleiades-simulaties voor drie scenario's:

1. Maxwelliaans Plasma: De reconstructie identificeerde correct een gas-dynamisch plasma, met een kleine onderschatting van de ion-energie door vlakke minima in de $\chi^2$-functie.
2. Hybride Plasma: Een korte NBI-puls in een koud plasma. De reconstructie kon het bijdrage van snelle ionen en gas-dynamische ionen onderscheiden en de totale opgeslagen energie ($W_{tot}$) nauwkeurig bepalen.
3. Kinetisch "Sloshing Ion" Plasma: Een steady-state scenario met veel snelle ionen. De reconstructie bepaalde $W_{tot}$ nauwkeurig, maar schatte $\beta$ en $\langle E_i \rangle$ iets te hoog in (waarschijnlijk door de steady-state benadering en verschillen in radiale profielen).

• Conclusie: De methode kan plasma's met verschillende mate van anisotropie onderscheiden en parameters zoals $\beta$, $\langle E_i \rangle$ en $W_{tot}$ binnen ~20% nauwkeurigheid bepalen met beperkte diagnostiek.

B. Toepassing op WHAM Experimenten

De techniek werd toegepast op echte experimentele data van de WHAM-machine (shots 250305121–43 en 250306045–64).

• Vergelijking: Er werden twee sets shots vergeleken: "high-density" (hoog gasdruk) en "moderate-density" (lager gasdruk).
• Vondst:
  • De high-density shots werden geherconstructeerd als voornamelijk gas-dynamisch (Maxwelliaans).
  • De moderate-density shots toonden duidelijke bewijzen van een sloshing ion populatie. De reconstructie toonde een piek in druk en energie op de locaties waar snelle ionen worden gevangen (turning points), wat consistent is met de theorie.
• Uitsluiting van Elektronen: Om te bevestigen dat de waarnemingen niet door snelle elektronen (van ECH-heating) werden veroorzaakt, werd een test uitgevoerd met een basisfunctie voor snelle elektronen. De fit was slecht ($\chi^2$ was hoog en $p_{hot}=0$), wat bevestigt dat de waarnemingen waarschijnlijk door snelle ionen worden veroorzaakt.

---

4. Bijdragen en Significance

1. Eerste Kinetic Basis in Spiegels: Dit is de eerste keer dat volledig kinetische basisfuncties (opgelost uit de Fokker-Planck vergelijking) worden gebruikt voor magnetische evenwichtsherconstructie in fusie-experimenten.
2. Onzekerheidskwantificatie: De integratie van SCBO biedt een robuuste manier om onzekerheden in reconstructieparameters automatisch te kwantificeren, wat cruciaal is voor betrouwbare interpretatie van data.
3. Detectie van Sloshing Ionen: De studie levert het eerste experimentele bewijs van sloshing ions in WHAM, wat essentieel is voor het begrijpen van de confinement-prestaties en stabiliteit in magnetische spiegels.
4. Toekomstige Toepasbaarheid: Hoewel getest op WHAM, is de methode generaliseerbaar naar andere apparaten, inclusief toekomstige fusiekrachtcentrales met beperkte diagnostiek. Het stelt onderzoekers in staat om meer informatie te halen uit minder meetpunten.

Toekomstperspectief:
De auteurs plannen om de methode uit te breiden met multi-objective optimalisatie (MORBO), het meenemen van stromingen (flows) in de berekening, en het ontwikkelen van basisfuncties voor snelle elektronen om de reconstructie nog nauwkeuriger te maken. Ook wordt er gewerkt aan het inbouwen van meer magneto-dynamische diagnostiek in WHAM om de scheiding tussen ionen- en elektroneneffecten verder te verfijnen.