Machine learning prediction of plasma behavior from discharge configurations on WEST

In deze studie wordt een op transformatoren gebaseerd machine learning-model gepresenteerd dat, getraind op data van 550 WEST-discharges, met hoge nauwkeurigheid en zeer snelle inferentie sleutelplasma-parameters voorspelt op basis van vooraf gedefinieerde schakelconfiguraties, waardoor het een waardevol hulpmiddel is voor scenarioontwerp en real-time besturing van tokamak-experimenten.

De kern

De Kunst van het Voorspellen: Hoe een Digitale Profeet de Toekomst van Kernfusie Helpt

Stel je voor dat je een gigantische, superhete oven probeert te bouwen die energie maakt zoals de zon. Dit is wat wetenschappers doen met een machine genaamd een tokamak (in dit geval de 'WEST' in Frankrijk). Het probleem? De 'oven' is zo complex en onstabiel dat als je de knoppen verkeerd instelt, de hele machine kan uitvallen of zelfs beschadigd raken.

Vroeger was het voorspellen van wat er in zo'n oven zou gebeuren als een wetenschapper de knoppen omdraaide, als het proberen te voorspellen van het weer met een rekenmachine. Je moest ingewikkelde natuurkundige formules oplossen, wat dagen kon duren. Dat is te traag als je snel wilt experimenteren.

In dit artikel vertellen Chenguang Wan en zijn team over een slimme nieuwe oplossing: ze hebben een kunstmatige intelligentie (AI) getraind die als een ervaren kok is die de smaak van een gerecht al proeft voordat het op het vuur staat.

1. Het Probleem: Te Traag Rekenen

Stel je voor dat je een recept wilt maken voor een perfecte taart. De oude manier was om elke chemische reactie in het deeg, de hitte van de oven en de luchtvochtigheid één voor één te berekenen. Dat duurt lang.
In de kernfusie-wereld gebruiken wetenschappers "Integrated Modeling" software. Dit zijn de superrekenaars die alles berekenen, maar ze zijn zo traag dat je niet snel kunt proberen: "Wat gebeurt er als ik 10% meer stroom gebruik?"

2. De Oplossing: De AI die "Kijkt" in plaats van "Rekent"

De onderzoekers hebben een nieuw type AI ontwikkeld, gebaseerd op een technologie die ook in ChatGPT wordt gebruikt (een Transformer).
In plaats van de natuurwetten opnieuw uit te vinden, heeft deze AI gewoon gekeken naar 550 eerdere keren dat de WEST-machine heeft draait.

• De Input (Wat de AI ziet): De AI krijgt alleen de "receptgegevens" die je voordat je begint kunt instellen. Denk aan: hoeveel stroom naar de magneten, hoeveel extra hitte (zoals een magnetron) je toevoegt, en hoe vol de oven met gas moet zitten.
• De Output (Wat de AI zegt): Op basis van deze instellingen voorspelt de AI direct wat er gaat gebeuren: hoe heet het wordt, hoe stabiel de plasma-bal is, en of de machine veilig blijft draaien.

3. Hoe werkt het? (De Creatieve Analogie)

Stel je voor dat je een voorspeller van verkeer bent.

• De oude methode: Je bouwt een simulatie van elke auto, elke bestuurder, elke remreactie en elke regenbui. Dit duurt uren.
• De AI-methode: De AI heeft duizenden foto's van het verkeer in de gaten gehad. Als jij zegt: "Het is dinsdagochtend, het regent, en er zijn 500 auto's", zegt de AI direct: "Dan krijg je file op de A1." De AI heeft de patronen geleerd zonder de fysica van remmen te hoeven begrijpen.

In dit geval heeft de AI geleerd dat als je de magnetische spoelen (de "remmen" van de plasma) op een bepaalde manier instelt, de plasma-energie (de "snelheid") automatisch op een bepaalde manier reageert.

4. De Resultaten: Snel en Slim

De resultaten zijn indrukwekkend:

• Snelheid: De AI doet een voorspelling in 0,1 seconde. Dat is sneller dan het knipperen van je oog! De oude methodes deden er minuten of uren over.
• Nauwkeurigheid: De AI heeft een score van 94% (R² van 0,94). Dat betekent dat als de echte machine een bepaalde energie bereikt, de AI dat bijna perfect voorspelt.
• De Uitzondering: Er is één klein probleem. De AI is heel goed in het voorspellen van de totale energie, maar iets minder goed in het voorspellen van de exacte "veiligheidsfactor" (hoeveel de plasma-bal ronddraait). Dit is als een kok die perfect kan zeggen hoe zwaar de taart is, maar minder zeker is over de exacte dikte van de bodem. Dit komt omdat die details afhangen van dingen die je niet van tevoren precies kunt weten.

5. Waarom is dit belangrijk?

Dit is een game-changer voor de toekomst van schone energie.

• Veiligheid: Wetenschappers kunnen nu duizenden scenario's in een paar seconden testen om te zien welke het veiligst en meest efficiënt is, voordat ze de machine echt aanzetten.
• Efficiëntie: Het bespaart tijd en geld. Je hoeft niet meer uren te wachten op een computer om te zien of je idee werkt.
• De Toekomst: Hoewel deze AI nu specifiek is voor de WEST-machine, is het een bewijs dat we "digitale tweelingen" kunnen maken van deze complexe machines. In de toekomst kunnen we AI's hebben die voor elke kernfusie-reactor ter wereld werken, zodat we sneller naar schone energie kunnen.

Kortom: De onderzoekers hebben een digitale profeet gebouwd die, door te kijken naar het verleden, ons vertelt wat er in de toekomst van de kernfusie gaat gebeuren, zodat we sneller en veiliger kunnen experimenteren met de energie van de toekomst.

Technische samenvatting

Titel: Machine learning voorspelling van plasma-gedrag op basis van ontladingsconfiguraties op WEST

1. Het Probleem

Het veilig en efficiënt operationeel houden van tokamak-experimenten (zoals WEST) vereist een nauwkeurige voorspelling van het plasma-gedrag op basis van de ingestelde ontladingsconfiguratie. Traditioneel gebeurt dit via "Integrated Modeling" codes (zoals PTRANSP, CRONOS, METIS), die op eerste principes (physics-based) gebaseerd zijn. Hoewel deze modellen waardevolle inzichten bieden, hebben ze twee grote nadelen:

• Hoge rekentijd: Ze zijn te traag voor snelle scenario-ontwerp en real-time optimalisatie.
• Aannames en onzekerheid: Ze vereisen vaak vereenvoudigingen, empirische schalingen en expertkennis, wat de nauwkeurigheid beperkt en shot-voor-shot variabiliteit moeilijk vastlegt.

Data-gedreven methoden bieden een oplossing, maar eerdere pogingen maakten vaak gebruik van signalen die pas tijdens de ontlading beschikbaar zijn (zoals gasinjectie-data die afhankelijk is van de plasma-ontwikkeling). Dit beperkt de bruikbaarheid voor voorafgaande planning. Er is behoefte aan een model dat uitsluitend gebruikmaakt van signalen die vooraf kunnen worden gedefinieerd of geregeld, om zo een snelle "surrogaatmodel" te creëren voor scenario-evaluatie.

2. Methodologie

De auteurs hebben een Transformer-gebaseerd machine learning-model ontwikkeld om zes cruciale globale plasma-parameters te voorspellen op de WEST tokamak.

• Invoersignalen (19 kanalen): Het model gebruikt uitsluitend signalen die vooraf bekend zijn of als referentie kunnen worden ingesteld:
  • Vermogen en fase van de Lower Hybrid Wave (LHW) stroomdrijving en verwarming.
  • Vermogen van de Ion Cyclotron Resonance Heating (ICRH).
  • Referentie plasma-stroom ($I_p$).
  • Stromen in de Poloidale Veld (PF) spoelen.
  • Real-time gemeten lineair gemiddelde elektronendichtheid ($n_e$) als proxy voor de brandstofstrategie en wandcondities.
• Uitvoersignalen (6 parameters):
  • Genormaliseerde beta ($\beta_n$), toroidale beta ($\beta_t$), poloidale beta ($\beta_p$).
  • Opgeslagen plasma-energie ($W_{mhd}$).
  • Veiligheidsfactor op de magnetische as ($q_0$) en op het 95% fluxoppervlak ($q_{95}$).
• Dataverwerking:
  • Dataset: 550 stabiele en reproduceerbare ontladingen van WEST-campagnes.
  • Preprocessing: Ruwe data wordt gladgestreken met een Simple Moving Average (SMA) filter om ruis te onderdrukken.
  • Segmentatie: Data wordt opgedeeld in vensters van 1024 tijdstappen met een stapgrootte van 512 (overlap). Overlappende segmenten worden gemiddeld om numerieke stabiliteit te vergroten.
  • Verdeling: De dataset is willekeurig verdeeld in trainings- (60%), validatie- (20%) en testsets (20%).
• Modelarchitectuur:
  • Er is een vergelijking gemaakt tussen verschillende architecturen: MLP, LSTM, Transformer Encoder, Transformer Decoder en een aangepaste Transformer.
  • De Transformer-architectie werd gekozen vanwege het vermogen om lange-termijn temporele afhankelijkheden en complexe kruis-kanaal interacties te modelleren via self-attention mechanismen.
  • Hyperparameters (zoals leerstroom, aantal heads, dropout) zijn geoptimaliseerd via Bayesiaanse optimalisatie.
  • Het model is getraind op 4 A100 GPUs.

3. Belangrijkste Resultaten

Het model toont uitstekende prestaties op de testset (110 ontladingen):

• Algemene Prestaties:
  • Gemiddelde Mean Squared Error (MSE): 0.026.
  • Gemiddelde Determinatiecoëfficiënt ($R^2$): 0.94.
  • Inferentietijd: Ongeveer 0,1 seconden, wat het geschikt maakt voor real-time toepassing en snelle parameter-sweeps.
• Specifieke Parametervoorspelling:
  • Het model voorspelt $\beta_n$, $\beta_t$, $\beta_p$ en $W_{mhd}$ zeer nauwkeurig ($R^2 > 0.89$).
  • De voorspelling voor de veiligheidsfactoren $q_0$ en $q_{95}$ is iets minder nauwkeurig ($R^2 \approx 0.65 - 0.78$). Dit wordt toegeschreven aan het feit dat deze parameters sterk afhankelijk zijn van interne stroomverdelingen en drukprofielen die niet uniek bepaald kunnen worden door de vooraf ingestelde invoersignalen.
• Vergelijking met andere modellen: De Transformer-variant presteerde significant beter dan MLP, LSTM en standaard Transformer-encoders/decoders (zie Tabel 2 in het artikel).

4. Bijdragen en Innovatie

• Pre-discharge Voorspelling: In tegenstelling tot eerdere data-gedreven modellen die afhankelijk zijn van dynamische ontladingssignalen, gebruikt dit model alleen invoer die vooraf kan worden vastgesteld. Dit maakt het model direct toepasbaar voor het ontwerpen van nieuwe ontladingsscenario's.
• Transformer-toepassing in Fusie: Het succesvol toepassen van Transformer-architecturen op tokamak-data om complexe, niet-lineaire relaties tussen coil-stromen, verwarming en plasma-respons te modelleren.
• Snelle Surrogaatmodellen: Het bieden van een alternatief voor traag physics-based modeling, waardoor duizenden scenario's in seconden kunnen worden geëvalueerd in plaats van uren of dagen.

5. Betekenis en Toekomstperspectief

Deze studie demonstreert dat data-gedreven surrogaatmodellen een krachtig hulpmiddel kunnen zijn voor:

• Ontladingsplanning: Snelle evaluatie van de haalbaarheid van voorgestelde scenario's.
• Real-time controle: Potentieel voor snelle feedback in besturingssystemen.
• Scenario-optimalisatie: Het uitvoeren van grote parameter-sweeps om optimale operationele vensters te vinden.

Beperkingen en Toekomst:

• Het model is specifiek getraind op de WEST-tokamak en vereist aanpassing bij hardware-wijzigingen of overdracht naar andere tokamaks.
• Zeldzame operationele scenario's (bijv. specifieke combinaties van verwarming) worden minder goed voorspeld door gebrek aan data.
• Toekomstige richtingen: De auteurs suggereren het integreren van fysica-informatie (physics-informed machine learning) om de generalisatie te verbeteren en het uitbreiden van de dataset met meer zeldzame scenario's. Ook wordt voorgesteld om dimensieloze representaties te gebruiken om de toepasbaarheid op verschillende tokamaks te vergroten.

Conclusie:
Het artikel levert een bewijs dat Transformer-modellen, getraind op historische experimentele data, in staat zijn om plasma-gedrag op basis van vooraf ingestelde configuraties met hoge snelheid en hoge nauwkeurigheid te voorspellen. Dit vormt een belangrijke stap richting geautomatiseerd en geoptimaliseerd tokamak-beheer.