Physics Attention Transformer Surrogate for Rapid Vertical Instability Growth Rate Prediction: Alcator C-Mod to SPARC

In de zoektocht naar het bouwen van een praktische fusiereactor staan wetenschappers voor een hardnekkige en vormidabele uitdaging: het in de lucht laten zweven van een superverhitte wolk plasma, die heter is dan het centrum van de zon, zonder dat het de wanden van zijn container raakt. Dit is niet zo eenvoudig als het vasthouden van een ballon; het plasma is een kolkende, elektrisch geladen vloeistof die er van nature naar streeft om in te storten of uit zijn magnetische kooi te schieten. In de meest geavanceerde ontwerpen wordt het plasma in een hoge, dunne vorm uitgerekt om de efficiëntie te maximaliseren, maar juist deze vorm maakt het instabiel. Als de plasm kolom zelfs maar een klein beetje kantelt, kan deze instabiel worden en binnen een fractie van een seconde tegen de wanden van het vat botsen, wat de machine potentieel kan beschadigen en de reactie kan beëindigen. Om dit te voorkomen, moeten controlesystemen de vroegste tekenen van problemen detecteren en het plasma weer op zijn plaats duwen. Echter, weten dat het plasma is bewogen is niet genoeg; het systeem moet ook weten hoe snel die beweging versnelt. Als de instabiliteit te snel groeit, zijn standaard controlemaatregelen te traag om het te stoppen, en moet de machine zich voorbereiden op een gecontroleerde uitschakeling om een ramp te voorkomen.

Het probleem is dat de meest nauwkeurige manier om deze groeisnelheid te berekenen veel te lang duurt. De huidige gouden standaard van computermodellen, die simuleren hoe het plasma interageert met de metalen wanden en magnetische spoelen, hebben minuten nodig voor een enkele berekening. In een real-time controlesysteem dat elke paar milliseconden beslissingen moet nemen, is wachten op minuten onmogelijk. Jarenlang hebben wetenschappers vertrouwd op snellere, vereenvoudigde modellen die het plasma behandelen als een solide, star object. Hoewel deze snel zijn, missen ze vaak de subtiele, vloeistofachtige verschuivingen in de interne stromen van het plasma die er in werkelijkheid voor bepalen hoe snel een instabiliteit zal groeien, vooral in de complexe, hoogwaardige vormen die gepland zijn voor toekomstige reactoren. Een team van onderzoekers van MIT en Commonwealth Fusion Systems heeft nu een nieuwe aanpak ontwikkeld die deze kloof overbrugt. Ze hebben een geavanceerde kunstmatige intelligentie-tool ontwikkend die leert van de trage, nauwkeurige modellen om de instabiliteitssnelheid bijna onmiddellijk te voorspellen, terwijl het ook precies in kaart brengt waar het plasma verschuift.

De onderzoekers trainden deze nieuwe tool, die ze een Physics Attention Transformer noemen, op een enorme bibliotheek van gegevens gegenereerd door de trage, hoogwaardige modellen. Deze bibliotheek omvatte duizenden scenario's van het Alcator C-Mod experiment, een echt fusietoestel dat is uitgeschakeld, evenals duizenden synthetische scenario's ontworpen voor SPARC, een compacte, hoogveld fusiereactor die momenteel in aanbouw is. Het doel was om de AI te leren om naar de staat van het plasma te kijken — de vorm van de magnetische velden, de positie van het plasma en de stromen in de omliggende spoelen — en onmiddellijk twee dingen te voorspellen: hoe snel de instabiliteit groeit, en een gedetailleerde kaart van hoe de elektrische stromen binnen het plasma veranderen. De AI raadt niet alleen een enkel getal; het reconstrueert het volledige tweedimensionale patroon van de verstoring, waardoor operators niet alleen kunnen zien dat het plasma wankelt, maar ook precies hoe het wankelt.

Wanneer de tool werd getest op gegevens die het nog nooit eerder had gezien, bleek het instrument opmerkelijk nauwkeurig. Voor de C-Mod experimenten voorspelde het de groeisnelheid met een gemiddelde fout van slechts 5,4 eenheden per seconde. Voor de meer uitdagende, synthetische SPARC-scenario's was de fout 12,7 eenheden per seconde, wat nog steeds een significante verbetering is ten opzichte van de vereenvoudigde modellen die vaak de plank volledig misslaan. Cruciaal is dat de tool ook de ruimtelijke kaarten van de verstoring reproduceerde met een fout van slechts ongeveer 5 procent. Dit niveau van detail is essentieel omdat verschillende vormen van instabiliteit verschillende controle reacties vereisen. De onderzoekers vergeleken hun nieuwe tool met andere geavanceerde machine learning-methoden en vonden dat het hen overtrof, vooral in het vastleggen van de complexe ruimtelijke structuren die simpelere modellen missen. De tool bereikte deze snelheid door te leren de enorme hoeveelheid gegevens die de vorm van het plasma beschrijft te comprimeren tot een kleinere set kernkenmerken, vergelijkbaar met hoe een mens een complexe scène zou samenvatten door zich te concentreren op de belangrijkste elementen in plaats van op elk afzonderlijk detail.

Snelheid was de primaire drijfveer voor deze ontwikkeling, en de resultaten tonen een dramatische sprong voorwaarts. Terwijl de traditionele, hoogwaardige modellen ongeveer drie minuten nodig hebben om een enkel scenario te berekenen, kan de nieuwe AI-tool dezelfde berekening uitvoeren in ongeveer 35 milliseconden op een standaard computerprocessor. Dit vertegenwoordigt een versnelling van meer dan 5.000 keer, waardoor de berekeningstijd wordt teruggebracht naar een schaal die comfortabel past binnen de snelle beslissingslussen van het controlesysteem van een fusiereactor. Zelfs toen de onderzoekers de tool testten op de extremere omstandigheden die worden verwacht in de SPARC-reactor — waar het plasma nog dunner wordt uitgerekt en de magnetische velden sterker zijn — behield het zijn nauwkeurigheid. De tool was in staat om het gedrag van deze hoogwaardige vormen te voorspellen met een precisieniveau dat suggereert dat het gebruikt kan worden om de stabiliteit van de reactor in real-time te monitoren, door de controllers te waarschuwen voor potentiële problemen voordat ze kritiek worden.

De onderzoekers merken echter zorgvuldig op dat deze tool een surrogaat is, of een vervanger, voor de complexe fysica-modellen, en geen vervanging voor de fundamentele natuurwetten. Het leert van de bestaande modellen om hun resultaten na te bootsen, dus de nauwkeurigheid ervan is gekoppeld aan de nauwkeurigheid van de gegevens waarop het is getraind. De studie benadrukt ook dat de tool niet in elke situatie perfect is. Hij presteert het best wanneer de plasmacondities vergelijkbaar zijn met de condities die hij tijdens de training heeft gezien. Wanneer de tool wordt geconfronteerd met extreme omstandigheden die sterk verschillen van de trainingsdata, zoals bepaalde hoogwaardige vormen in het SPARC-ontwerp, worden de voorspellingen van de tool minder zeker. Om dit op te vangen, hebben de onderzoekers een systeem ingebouwd dat de eigen betrouwbaarheid meet. Als de tool een situatie detecteert die sterk afwijkt van de training, kan het de voorspelling als onzeker markeren, wat het controlesysteem aanzet om te vertrouwen op tragere, meer traditionele methoden of om een conservatievere aanpak wat betreft veiligheid te hanteren.

De implicaties van dit werk reiken verder dan alleen snellere berekeningen. Door een snelle en gedetailleerde kijk op de plasma-stabiliteit te bieden, zou de tool toekomstige reactoren in staat stellen om dichter bij hun prestatiegrenzen te opereren zonder het risico op een crash. Het zou kunnen fungeren als een constante monitor, die de beschikbare "vrijheidsmarge" (headroom) voor stabiliteit in de gaten houdt en operators waarschuwt als het plasma te dicht bij de rand van veiligheid komt. Dit zou een agressievere vormgeving van het plasma mogelijk maken om meer vermogen op te wekken, terwijl een veiligheidsmarge behouden blijft. De onderzoekers voorzien een toekomst waarin deze tool naast de hoofdcontrolesystemen draait, waarbij een snelle beoordeling van de stabiliteit wordt geboden die helpt bij het sturen van de vorm en positie van de reactor. Hoewel de tool zelf een belangrijke stap voorwaarts is, benadrukken de onderzoekers dat het deel zal uitmaken van een grotere veiligheidsarchitectuur, die samenwerkt met andere monitoringsystemen om de veilige en stabiele werking van fusiereactoren te garanderen.

De studie onderzocht ook hoe goed de tool zijn kennis kan overdragen van de ene machine naar de andere. Ze trainden de AI op gegevens van het C-Mod experiment en testten het op de synthetische SPARC-scenario's zonder eerst enige SPARC-gegevens te tonen. De resultaten waren gemengd: hoewel de tool ruwe schattingen kon maken, waren de fouten groter en markeerde het de SPARC-condities regelmatig als onzeker. Dit suggereert dat hoewel de tool algemene principes van plasma gedrag kan leren, het nog steeds specifieke gegevens van de doelmachine nodig heeft om een hoog niveau van precisie te bereiken. Dit bevinding wijst op een praktisch pad vooruit: het gebruik van de tool voor initiële screening en monitoring, terwijl er doorgaand hoogwaardige gegevens worden gegenereerd voor de meest kritische en extreme operationele condities. De onderzoekers concluderen dat deze aanpak een krachtige nieuwe mogelijkheid biedt voor fusieonderzoek, door een berekening die ooit minuten duurde te veranderen in een real-time inzicht dat kan helpen de belofte van fusie-energie levend te houden.