Real-time virtual circuits for plasma shape control via neural network surrogates: dynamic validation in closed-loop simulations

Dit onderzoek valideert de robuustheid en effectiviteit van door neurale netwerken gesimuleerde virtuele schakelingen voor real-time plasma-vormregeling in gesloten-lus-simulaties van MAST-Upgrade-scenario's, wat een belangrijke stap vormt naar de daadwerkelijke implementatie in het besturingssysteem.

De kern

Hoe een "AI-chauffeur" de vorm van een ster in een flesje houdt

Stel je voor dat je een gigantische, onzichtbare ster probeert te bouwen in een flesje. Dit is in feite wat wetenschappers doen in een tokamak (zoals de MAST-U in Engeland): ze proberen plasma (een superheet gas) in een cirkelvorm te houden zodat het energie kan opwekken, net als de zon.

Het probleem? Dit plasma is onrustig. Het wil alle kanten op, net als een hond die aan zijn lijn trekt. Als je de vorm niet perfect houdt, klettert het tegen de wanden en gaat de "ster" uit.

Om dit te voorkomen, gebruiken ze enorme elektromagneten (de "poloidale veldspoelen") die als een onzichtbare hand de vorm van het plasma bijsturen. Maar hier zit de knoop: om te weten hoe je die magneten moet verdraaien, moet je een heel ingewikkelde wiskundige berekening maken. In het verleden deden ze dit op voorhand, met een vaste "handleiding". Maar als het plasma zich anders gedraagt dan verwacht, werkt die handleiding niet meer. Het is alsof je probeert een auto te sturen met een kaart van 10 jaar geleden terwijl je door een nieuw, onbekend landschap rijdt.

De oplossing: Een slimme AI-chauffeur

In dit artikel vertellen de onderzoekers over een nieuwe manier om dit te doen. In plaats van een vaste handleiding, hebben ze een neuraal netwerk (een soort kunstmatige intelligentie) getraind.

• De Oude Manier (Virtuele Circuits): Stel je voor dat je een lijst hebt met instructies: "Als het plasma naar links gaat, draai dan knop A 5 keer om." Dit werkt alleen als het plasma precies doet wat je verwacht.
• De Nieuwe Manier (AI): Ze hebben de AI duizenden keren geoefend in een computersimulatie. De AI heeft geleerd: "Als het plasma er zo uitziet, en de magneten staan daar, dan moet ik precies deze knoppen draaien om het weer recht te zetten."

De AI kan dit in een fractie van een seconde doen. Het is alsof je een ervaren chauffeur hebt die niet naar een kaart kijkt, maar gewoon voelt hoe de auto reageert en direct corrigeert.

De Grote Test: De Simulatie

De onderzoekers wilden weten of deze AI-chauffeur echt goed genoeg is om in het echt te werken. Ze hebben daarom een virtuele testbaan gebouwd (de FPDT). Dit is een superrealistische computersimulatie van de hele machine, inclusief alle onzekerheden en storingen.

Ze hebben drie dingen getest:

1. Snelheid: Hoe vaak moet de AI een nieuwe instructie geven?

   • Analogie: Kijk je elke seconde naar de weg, of elke 20 seconden?
   • Resultaat: Zelfs als de AI maar elke 20 milliseconden (een fractie van een seconde) een nieuwe instructie geeft, blijft de "ster" perfect in vorm. Het werkt zelfs als je het iets langzamer doet.

2. Storingen (Ruis): Wat als de sensoren die de vorm meten, een beetje "ruis" hebben?

   • Analogie: Wat als je door een mistig raam kijkt en de weg niet perfect ziet?
   • Resultaat: De AI is niet bang voor een beetje mist. Zelfs als de metingen niet 100% perfect zijn, blijft de AI de vorm stabiel houden.

3. Onverwachte veranderingen: Wat als het plasma zich anders gedraagt dan verwacht?

   • Analogie: Wat als je plotseling een zware last in de auto zet of de motor anders gaat lopen?
   • Resultaat: Ze hebben de AI laten rijden met een "andere motor" (een ander plasma-profiel dan waarvoor hij getraind was). De AI bleef de vorm perfect houden, zelfs als de energie-invoer veranderde.

Waarom is dit belangrijk?

Dit artikel is een enorme stap vooruit. Het bewijst dat we deze slimme AI-systemen veilig in de echte machine kunnen zetten.

• Minder gedoe: Geen meer handmatig berekenen van handleidingen voor elke mogelijke situatie.
• Meer flexibiliteit: De machine kan sneller en soepeler reageren op veranderingen.
• Veiligheid: Het maakt het beheer van de ster veiliger en betrouwbaarder.

Kortom: door een slimme AI-chauffeur in te zetten, kunnen we de onrustige ster in het flesje veel beter in toom houden. Dit brengt ons een stap dichter bij het maken van oneindig schone energie, net als de zon.

Technische samenvatting

Titel: Real-time virtuele circuits voor plasmas-vormbesturing via neurale netwerk-surrogaten: dynamische validatie in gesloten-lus-simulaties

Auteurs: Kamran Pentland e.a. (UK Atomic Energy Authority & STFC Hartree Centre)

---

1. Het Probleem

Voor een betrouwbare opsluiting en stabiele prestaties van tokamak-fusieplasma's is nauwkeurige real-time magnetische vormbesturing essentieel. Het Plasma Control System (PCS) moet afwijkingen in geometrische vormparameters (zoals X-punten en strikepoints) corrigeren door aanpassingen te doen in de stromen van de poloidale veldspoelen (PF).

• Huidige aanpak: Traditioneel worden "Virtuele Circuits" (VC's) gebruikt. Een VC-matrix ontkoppelt het besturingsprobleem rondom een specifiek evenwicht, zodat elke vormparameter onafhankelijk kan worden aangepast.
• Beperkingen: Het berekenen van een VC-matrix in real-time is onmogelijk omdat dit een linearisatie van de complexe Grad-Shafranov (GS) vergelijking vereist. Daarom worden VC's offline berekend voor een beperkt aantal referentie-evenwichten en vooraf ingesteld in fases.
• Gevolg: Omdat de validiteit van een VC-matrix lokaal is, degradeert de nauwkeurigheid snel zodra het plasma evolueert weg van het referentie-evenwicht. Dit leidt tot interferentie tussen aanpassingen en onnodige stress op de voedingssystemen.

2. Methodologie

De auteurs onderzoeken de haalbaarheid van het vervangen van vooraf berekende VC's door neurale netwerksurrogaten (NN-emulators) die VC's real-time genereren op basis van de huidige plasma-toestand.

• Neurale Netwerken: Feedforward-neurale netwerken worden getraind om een mapping te leren van de actieve spoelstromen ($I_{act}$), de plasma-stroom ($I_p$) en de stroomdichheidsprofielen ($\theta$) naar de geometrische vormparameters ($P$).
• Afgeleide VC's: De Jacobiaan van deze mapping wordt numeriek afgeleid om de sensitiviteitsmatrix ($S$) en de bijbehorende VC-matrix ($V$) te verkrijgen.
• Trainingsdata: Een dataset van ongeveer 900.000 synthetische plasma-evenwichten, gegenereerd met de FreeGSNKE-solver, dekt het operationele domein van MAST Upgrade (MAST-U) af.
• Dynamische Validatie (FPDT): In plaats van alleen statische tests, worden de NN-modellen geïntegreerd in de FreeGSNKE Pulse Design Tool (FPDT). Dit is een gesloten-lus-simulatieframework dat de evoluerende evenwichtsoplosser koppelt aan een virtueel PCS. Dit houdt rekening met:
  • Interacties tussen controllers.
  • Evoluerende stromen in passieve geleidende structuren.
  • Actuator-beperkingen (spanning/stroom).
  • Meetonzekerheid (ruis).

3. Belangrijkste Bijdragen

1. Integratie in Gesloten Lus: De eerste demonstratie van NN-gebaseerde VC-emulators die naadloos werken binnen een volledig dynamisch, gesloten-lus simulatieframework (FPDT) voor MAST-U.
2. Dynamische Validatie: Een stap voorbij statische validatie; het toont aan dat de systemen robuust zijn tegen de complexe, tijdsafhankelijke interacties van een echte plasma-ontlading.
3. Robuustheidstests: Uitgebreide tests onder verschillende omstandigheden, waaronder variaties in update-frequenties, meetruis en onzekerheid in plasma-profielen.

4. Resultaten

De simulaties werden uitgevoerd voor MAST-U scenario's (o.a. Super-X divertor en conventionele divertor configuraties):

• Update-frequentie: De prestaties van de emulator bleven robuust, zelfs bij een conservatieve update-tijd ($\gamma$) van 20 ms (waarbij de VC slechts één keer per 20 ms wordt herberekend). De gecontroleerde parameters bleven binnen enkele centimeters van de referentie-golven.
• Meetonzekerheid: Het toevoegen van Gaussische ruis aan de simulatie-invoer (stroom- en vormmetingen) had geen significant negatief effect. Zowel het virtuele PCS als de NN-emulator konden de onzekerheid compenseren en de referentie volgen.
• Profielonzekerheid: De emulator werd getest met plasma-profielvoorschriften ($\theta$) die afweken van de werkelijke simulatie-profielen (bijv. door variaties in NBI-verwarming of uitval van een straalstelsel). De vormbesturing bleef robuust, zelfs bij significante afwijkingen in de verwarmingskracht.
• Passieve stromen: Ondanks dat passieve stromen niet expliciet in het trainingsproces waren opgenomen, behielden de emulators sterke prestaties in de aanwezigheid van evoluerende passieve stromen.

5. Betekenis en Conclusie

De studie bevestigt dat neurale netwerk-gemuleerde virtuele circuits een levensvatbare oplossing zijn voor real-time magnetische vormbesturing in fusiereactoren.

• Voordelen: Dit systeem vermindert de afhankelijkheid van ingewikkelde, vooraf berekende scenario's en expert-afstemming. Het maakt de besturing adaptief ("state-aware") in plaats van star.
• Toekomst: De resultaten vormen een cruciale stap richting de experimentele verificatie en de uiteindelijke implementatie van deze AI-gedreven besturingssystemen in het operationele PCS van MAST Upgrade. Dit zou leiden tot een hogere mate van automatisering en betere prestaties in complexe plasma-regimes.