🔬 physics

Deep Learning Models for ADITYA-U MHD Equilibrium

Dit artikel presenteert een suite van deep learning-modellen, getraind op een synthetische dataset van meer dan 100.000 gevallen, om magnetohydrodynamische evenwichtsparameters en -profielen voor de ADITYA-U tokamak nauwkeurig en efficiënt te voorspellen, wat een computationeel levensvatbaar alternatief biedt voor traditionele solvers voor real-time controle en experimentele planning.

Oorspronkelijke auteurs: Udaya Maurya, Suman Aich, Indranil Bandyopadhyay, Daniel Raju

Gepubliceerd 2026-07-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Udaya Maurya, Suman Aich, Indranil Bandyopadhyay, Daniel Raju

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een tokamak (zoals de ADITYA-U machine in India) voor als een gigantische, hoogtechnologische donutvormige oven. Binnenin deze oven zweeft een superheet gas genaamd plasma in een magnetisch veld. Om te voorkomen dat dit plasma de wanden raakt en de oven doet smelten, moeten wetenschappers precies weten welke vorm de magnetische "kooi" op elk moment aanneemt. Deze vorm wordt de MHD-evenwichtstoestand genoemd.

Traditioneel gezien is het uitrekenen van deze vorm alsof je een enorme, complexe wiskundige puzzel probeert op te lossen. Het duurt lang voordat een krachtige computer de getallen heeft verwerkt om te vertellen: "Oké, de magnetische kooi heeft momenteel de vorm van een licht afgeplatte cirkel, en de druk is hier." Dit is te traag als je de oven in realtime wilt aanpassen terwijl de plasma aan het "koken" is.

Het Grote Idee: Een Computer Leren om de Vorm te "Raden"
De auteurs van dit artikel vroegen zich af: Kunnen we een computer leren om naar een paar snelle metingen te kijken en direct de vorm van de magnetische kooi te "raden", net zoals een meesterkok kan zien of een cake klaar is door ernaar te kijken, zonder elke kruim te hoeven meten?

Om dit te doen, hebben ze niet alleen gewacht op echte experimenten. In plaats daarvan bouwden ze een enorme virtuele bibliotheek van 100.760 verschillende "wat als"-scenario's. Ze gebruikten een computerprogramma (pyIPREQ) om te simuleren hoe de plasma eruit zou zien onder duizenden verschillende omstandigheden, gebaseerd op 766 echte eerdere experimenten met de ADITYA-U machine. Deze bibliotheek werd hun "leerboek".

De "Studenten": Verschillende Typen AI-modellen
De onderzoekers trainden verschillende soorten "studenten" (Deep Learning-modellen) om van dit leerboek te leren. Ze probeerden verschillende onderwijsstijlen om te zien welke het beste werkte:

De "Lijstmakers" (Dense Neural Networks): Deze modellen zijn als studenten die heel goed zijn in het onthouden van specifieke getallen. Als je hen vraagt: "Waar is het centrum van de plasma?" of "Hoe groot is de druk?", geven ze heel snel een antwoord met één enkel getal. Ze probeerden ook een "inverse" student: als je zegt: "Ik wil dat de plasma hier is", vertelt deze student je welke knoppen (spoelen) je moet draaien om daar te komen.
De "Patroonherkenners" (PCA-modellen): Stel je voor dat je een wolk probeert te beschrijven. In plaats van elke individuele waterdruppel op te sommen, zou je kunnen zeggen: "Het is grotendeels een pluizige bal met een kleine staart." Deze modellen ontdekten dat alle plasmavormen in hun bibliotheek beschreven konden worden met slechts een paar "bouwstenen" (genaamd Principal Components). Ze leerden deze enkele blokken te mengen en te combineren om de hele vorm te recreëren. Het is alsof je leert een gezicht te tekenen door alleen te weten hoe je ogen, een neus en een mond tekent, in plaats van elke individuele porie.
De "Pixelkunstenaars" (Convolutional Neural Networks - CNN's): Deze modellen zijn als fotobewerkingsprogramma's. Ze bekijken het magnetische veld als een afbeelding (een raster van stippen). Ze zijn erg goed in het herkennen van lokale details, zoals een kleine bult of een rimpeling in het magnetische veld, door te kijken naar hoe naburige stippen met elkaar samenhangen.
De "Fysica-Politie" (PINNs): Dit was de strengste docent. Deze modellen werden gedwongen om de wetten van de fysica (specifiek de Grad-Shafranov-vergelijking) te gehoorzamen terwijl ze leerden. Als het model een magnetische vorm probeerde te tekenen die fysiek onmogelijk was (zoals een magnetische veldlijn die breekt), kreeg het de "Fysica-Politie" een slecht cijfer. Dit zorgde ervoor dat de voorspellingen niet alleen wiskundig mooi waren, maar ook daadwerkelijk fysiek echt waren.

Wat Hebben Ze Ontdekt?

Snelheid is Koning: De getrainde AI-modellen konden de plasmavorm in ongeveer 1 milliseconde voorspellen. Dat is duizenden keren sneller dan de traditionele methode van de wiskundige puzzel.
Nauwkeurigheid: De modellen waren verrassend nauwkeurig. Ze konden de positie van het magnetische centrum, de druk en de veiligheid van de plasma (veiligheidsfactor) voorspellen met zeer kleine fouten.
De Afweging:
- De "Patroonherkenners" (PCA) waren erg goed in het behouden van een gladde en correcte algemene vorm, zoals een groothoeklens.
- De "Pixelkunstenaars" (CNN) waren goed in het zien van fijne details, maar maakten soms kleine, gelokaliseerde fouten, zoals een zoomlens die aan de randen wat wazig wordt.
- De "Fysica-Politie" (PINN)-modellen zorgden ervoor dat zelfs als ze fouten maakten, die fouten de wetten van de fysica niet overtraden.

De "Inverse" Truc
Een interessant onderdeel van de studie was een "invers" model. Normaal gesproken vraag je: "Als ik deze knoppen draai, wat gebeurt er dan met de plasma?" Dit model draaide de vraag om: "Ik wil dat de plasma een specifieke vorm heeft; welke knoppen moet ik draaien?" De AI leerde de juiste spoelstromen voor te stellen om een gewenste staat te bereiken, wat cruciaal is voor het plannen van toekomstige experimenten.

De Kern van het Verhaal
De onderzoekers hebben succesvol een toolkit van AI-modellen gebouwd die de staat van de ADITYA-U plasma direct kunnen voorspellen. Ze hebben niet zomaar geraden; ze zijn getraind op een enorme, realistische bibliotheek van gesimuleerde gegevens en hebben hun werk gecontroleerd aan de hand van de wetten van de fysica.

Waarom is dit belangrijk?
Omdat deze modellen zo snel zijn, zouden ze uiteindelijk gebruikt kunnen worden om de plasma in realtime aan te sturen. In plaats van minuten te wachten tot een computer de wiskunde oplost, kan de machine de magnetische velden direct aanpassen om de plasma stabiel te houden, wat het onderzoek naar fusie-energie veiliger en efficiënter maakt.

Vermelde Beperkingen
Het artikel is eerlijk over de grenzen:

De modellen werken alleen voor de specifieke "circulaire" vorm van de plasma waarop ze getraind zijn.
Ze zijn afhankelijk van het feit dat bepaalde sensoren (magnetische sondes) perfect werken.
Ze zijn nog niet getest op elk mogelijk instabiel scenario.

Kortom, ze hebben een computer geleerd om een supersnelle, natuurkundig onderlegde assistent te zijn voor de ADIA-U tokamak, in staat om de onzichtbare magnetische kooi in een oogwenk te zien.

Technische Samenvatting: Deep Learning Modellen voor ADITYA-U MHD-evenwicht

Probleemstelling
Reconstructie van magnetohydrodynamisch (MHD) evenwicht is fundamenteel voor tokamak-onderzoek en levert essentiële grootheden zoals de plasmagrens, de positie van de magnetische as, de veiligheidsfactor ( $q$ ) en de stroomdensiteitsprofielen. Conventionele reconstructie vertrouwt op iteratieve free-boundary solvers zoals EFIT, die computationeel duur zijn en vaak ongeschikt zijn voor real-time plasmacontrole of snelle experimentele analyse. Hoewel machine learning (ML) surrogaten zijn verkend voor andere tokamaks (bijv. KSTAR, DIII-D, EAST), was er een gebrek aan uitgebreide, datagedreven evenwichtsmodellering specifiek afgestemd op de ADITYA-U middelgrote circulaire tokamak met behulp van een grootschalige, experimenteel relevante synthetische database.

Methodologie

Datasetgeneratie:
De auteurs genereerden een synthetische free-boundary evenwicht-dataset bestaande uit 100.760 gevallen met behulp van de pyIPREQ Grad-Shafranov solver. De input-werkruimte werd afgeleid van 766 ADITYA-U plasma-ontladingen (2021–2025), met een focus op de flat-top fase met plasma-stromen ( $I_p$ ) boven de 100 kA.
- Restricties: De dataset werd beperkt tot circulaire limiter-plasma's. Om fysieke realiteit te waarborgen, pasten de auteurs filtercriteria toe, waaronder limieten op de magnetische asverplaatsing ( $\Delta R \le 0,04$ m, $Z_{ax} \le 0,02$ m), genormaliseerde interne inductie ( $\ell_i \in [0,7, 1,7]$ ) en veiligheidsfactoren ( $q_0 \in [0,9, 1,5]$ , $q_1 > 2,0$ ).
- Inputkenmerken: De inputs omvatten de toroidale veldsterkte ( $B_\phi$ ), de loopspanning ( $V_{loop}$ ), de plasmastroom ( $I_p$ ), de stromen van de poloidale veldspoelen en de poloidale magnetische veldmetingen ( $B_\theta$ ) van 16 magnetische probes.
- $\beta_p$ Schatting: Omdat directe diamagnetische lusmetingen niet beschikbaar waren voor alle shots, werd een probabilistisch lineair regressiemodel ontwikkeld om de poloidale bèta ( $\beta_p$ ) te schatten op basis van operationele parameters, waarbij stochastische ruis werd toegevoegd om meetonzekerheid te simuleren.
Deep Learning Architecturen:
Vier klassen van modellen werden onderzocht met behulp van TensorFlow/Keras, getraind op een 80/10/10 split (gebaseerd op shot-labels om temporele lekkage te voorkomen):
1. Dense Neural Networks (DNN): Gebruikt voor het voorspellen van scalaire evenwichtgrootheden (magnetische aspositie $R_{ax}, Z_{ax}$ , $\beta_p$ , $\ell_i$ , randveiligheidsfactor $q_1$ en fluxwaarden $\psi_{axs}, \psi_{lim}$ ) en een invers model voor het schatten van spoelstromen vanuit gewenste evenwichtstoestanden.
2. PCA-gebaseerde Reduced-Order Modellen: Toegepast op 1D veiligheidsfactor ( $q$ ) profielen en 2D poloidale flux ( $\psi$ ) profielen. De hoogdimensionale profielen werden geprojecteerd op een laagdimensionale latente ruimte (4 modi voor $q$ , 13 modi voor $\psi$ ) en gereconstrueerd via DNN's.
3. Convolutional Neural Networks (CNN):
  - 1D-CNN: Voorspelde de afgeleide van de veiligheidsfactor ( $q' = \partial q / \partial \rho$ ) om monotoniciteitsrestricties af te dwingen, gevolgd door integratie om het $q$ -profiel te herstellen.
  - 2D-CNN: Modelleerde het 2D poloidale flux ( $\psi$ ) profiel direct als een beeldgeneratietaak met behulp van getransponeerde convoluties.
4. Physics-Informed Neural Networks (PINN): Zowel de PCA- als de CNN-modellen voor $\psi$ werden geformuleerd als PINNs. Deze incorporeerden de Grad-Shafranov residu ( $\delta_{GS}$ ) als een regularisatieterm in de verliesfunctie om oplossingen te bestraffen die inconsistent zijn met de onderliggende evenwichtsphysics. De modellen voorspelden ook de stroomdensiteitprofielparameters ( $\alpha, \beta, \gamma$ ) om deze berekening te faciliteren.

Belangrijkste Bijdragen en Resultaten

Voorspelling van Scalaire Parameters: Dense neurale netwerken voorspelden sleutelkwantiteiten met hoge nauwkeurigheid. Zo werd de magnetische aspositie ( $R_{ax}, Z_{ax}$ ) voorspeld met mediane absolute fouten van respectievelijk $\approx 2,33 \times 10^{-5}$ m en $\approx 6,53 \times 10^{-6}$ m. Het inverse model toonde het vermogen om statistisch voorkeurscombinaties van spoelstromen af te leiden voor gewenste evenwichtstoestanden, hoewel de auteurs opmerken dat de mapping niet uniek is.
Profielreconstructie:
- Veiligheidsfactor ( $q$ ): Zowel de PCA- als de 1D-CNN-benaderingen bereikten een hoge getrouwheid. De 1D-CNN benadering, die gebruikmaakte van monotoniciteitsrestricties, vertoonde een iets verbeterde nauwkeurigheid nabij de plasma-rand vergeleken met het PCA-model. Echter, beide methoden vertoonden grotere relatieve fouten nabij de magnetische as ( $q_0$ ), waar het profiel gevoelig is voor details in de stroomdensiteit die niet volledig door de inputs worden gevangen.
- Poloidale Flux ( $\psi$ ): Het 2D-CNN model bereikte een superieure algemene reconstructienauwkeurigheid vergeleken met het PCA-model. Echter, het PCA-model produceerde gladdere reconstructies die de dominante evenwichtsstructuur beter behielden, terwijl het CNN-model af en toe lokale ruimtelijke distorties vertoonde.
Physics-Informed Regularisatie: De inclusie van de Grad-Shafranov residu-loss in de $\psi$ -modellen fungeerde als een effectief regularisatiemechanisme, wat fysisch inconsistente voorspellingen ontmoedigde en ervoor zorgde dat de gereconstrueerde fluxoppervlakken de onderliggende evenwichtsgelijkheden bevredigden.
Computationele Efficiëntie: De inferentietijd voor het grootste model (2D-CNN) was ongeveer 1 ms per evenwichtstoestand op een multi-core CPU, wat wijst op geschiktheid voor real-time toepassingen.

Betekenis en Claims
De auteurs stellen dat dit werk de eerste uitgebreide studie is naar machine learning-gebaseerde MHD-evenwichtsmodellering voor ADITYA-U met behulp van een grootschalige synthetische database afgeleid van experimenteel relevante scenario's. Het ontwikkelde framework biedt een computationeel efficiënt alternatief voor conventionele solvers, met potentieel nut voor:

Real-time plasmacontrole.
Snelle evenwrichtsanalyse voor interpretatie van experimentele ontladingen.
Actuatorplanning en experimentele planning.

De studie benadrukt dat de beperkte operationele ruimte van ADITYA-U effectieve reduced-order representaties toelaat. Hoewel de modellen niet worden gepresenteerd als directe vervangingen voor solvers die zonder magnetische probe-inputs werken, leggen ze een fundament voor toekomstige physics-guided real-time controle en snelle analyse in ADITY-U operaties.

Genoteerde Beperkingen
Het artikel erkent bescheiden enkele beperkingen:

De dataset is beperkt tot circulaire limiter-plasma's en vertrouwt op een specifiek stroomdensiteitprofielmodel.
Er is geen formele lineaire MHD-stabiliteitsanalyse uitgevoerd.
De $\beta_p$ schatting vertrouwt op een vereenvoudigd probabilistisch model vanwege beperkte experimentele data.
De modellen vereisen betrouwbare magnetische probe- en loopspanningmetingen als inputs, wat hun toepasbaarheid beperkt in scenario's waarin deze diagnostica niet beschikbaar zijn.
De voorspelling van profielvormparameters ( $\alpha, \gamma$ ) en grootheden die gevoelig zijn voor deze parameters ( $\ell_i, q_0$ ) blijft uitdagend, wat wijst op een behoefte aan aanvullende diagnostica in toekomstig werk.

Meer zoals dit