TorbeamNN: Machine learning based steering of ECH mirrors on KSTAR

Os autores desenvolveram o TorbeamNN, um modelo de aprendizado de máquina que substitui o código de rastreamento de raios TORBEAM no tokamak KSTAR, oferecendo uma aceleração superior a 100 vezes sem perda de precisão e permitindo o controle em tempo real da posição de absorção do aquecimento por ciclotron de elétrons com um erro médio de rastreamento de apenas 0,5 cm.

O essencial

Imagine que você está tentando aquecer uma panela de sopa gigante (o Tokamak, um reator de fusão nuclear) usando um laser superpotente (o ECCD, aquecimento por ciclo eletrônico). O problema é que a sopa não é uniforme; ela tem "redemoinhos" de densidade e campos magnéticos que fazem o laser dobrar a trajetória, como a luz passando por um vidro ondulado.

Se você apontar o laser para o lugar errado, ele não aquece a sopa onde você quer, ou pior, pode até danificar a panela. Para acertar o alvo, você precisa calcular exatamente onde o laser vai bater, levando em conta como a sopa está se movendo naquele milésimo de segundo.

Aqui entra o TorbeamNN, o protagonista deste artigo. Vamos explicar como funciona, usando uma analogia simples:

1. O Problema: O "Gênio" Lento

Antes, os cientistas usavam um programa chamado TORBEAM. Pense nele como um gênio matemático extremamente preciso, mas que demora muito para fazer as contas.

• Ele calcula a trajetória do laser com perfeição.
• Porém, ele leva cerca de 10 milissegundos para dar a resposta.
• Na física de plasmas, 10 milissegundos é uma eternidade! O plasma muda tão rápido (como uma tempestade dentro da panela) que, quando o gênio termina a conta, o alvo já mudou de lugar. Isso cria um atraso perigoso para controlar o laser em tempo real.

2. A Solução: O "Atleta" Rápido (TorbeamNN)

Os autores criaram o TorbeamNN. Se o TORBEAM é o gênio lento, o TorbeamNN é um atleta olímpico que aprendeu a prever o futuro.

• Eles "treinaram" esse atleta usando milhões de exemplos de como o gênio (TORBEAM) calculava as coisas no passado.
• O atleta não precisa fazer as contas difíceis do zero. Ele usa o "intuito" (o modelo de aprendizado de máquina) para dizer: "Se a sopa está assim e o laser aponta para lá, o alvo estará aqui!".
• O resultado? O TorbeamNN é mais de 100 vezes mais rápido que o gênio. Ele faz o cálculo em microssegundos (milésimos de milissegundo). É como trocar um relógio de areia por um relógio atômico.

3. O Treinamento: A Escola de Física

Para treinar esse "atleta", os cientistas usaram dados reais do reator KSTAR (na Coreia do Sul).

• Eles pegaram dados de 336 experimentos diferentes.
• Rodaram o "gênio lento" (TORBEAM) mais de 600.000 vezes em computadores potentes para gerar um banco de dados gigante.
• O modelo de Inteligência Artificial (a rede neural) estudou esses dados e aprendeu a mapear: ângulo do espelho + forma do plasma = onde o laser vai bater.
• O resultado foi tão preciso que o "atleta" cometeu erros de apenas 0,5 cm (menos que a largura de um dedo) ao tentar acertar o alvo, mesmo com o plasma mudando rapidamente.

4. A Aplicação: Dirigindo o Laser em Tempo Real

Na prática, o TorbeamNN foi instalado no sistema de controle do KSTAR.

• O Cenário: Imagine que você quer manter o laser focado em um ponto específico da sopa, mesmo que a sopa comece a ferver e criar ondas (instabilidades).
• A Ação: O sistema usa o TorbeamNN para prever instantaneamente onde o laser vai cair. Se o alvo se move, o sistema ajusta os espelhos que refletem o laser quase instantaneamente.
• O Sucesso: Eles conseguiram fazer o laser "seguir" um alvo em movimento com uma precisão impressionante, algo que seria muito difícil ou lento com o método antigo.

Por que isso é importante?

Para a fusão nuclear (a energia do futuro, como a do Sol), precisamos controlar o plasma com extrema precisão.

• Velocidade é vida: Se o plasma ficar instável (como uma explosão de bolhas), você precisa reagir em milésimos de segundo para apagar o problema. O método antigo era muito lento para isso.
• Múltiplas tarefas: Com o TorbeamNN sendo tão rápido, o sistema pode fazer várias coisas ao mesmo tempo: aquecer, controlar instabilidades e otimizar a eficiência, tudo ao mesmo tempo, sem travar.

Resumo da Ópera

O TorbeamNN é como substituir um mapa de papel antigo e lento por um GPS em tempo real com inteligência artificial. Em vez de calcular a rota do zero toda vez que você vira a esquina, o GPS já sabe o caminho porque "aprendeu" com milhões de viagens anteriores. Isso permite que os cientistas controlem o "motor" da fusão nuclear com uma agilidade e precisão que antes eram impossíveis, dando um passo gigante rumo à energia limpa e infinita.

Resumo técnico

1. O Problema

O aquecimento por ciclotron de elétrons (ECH) e o acionamento de corrente por ciclotron de elétrons (ECCD) são métodos essenciais para o controle de plasmas em tokamaks, como o KSTAR e o futuro ITER. Eles permitem o aquecimento localizado e o controle de instabilidades (como modos de tearing neoclássicos - NTMs).

O desafio principal reside na necessidade de previsão em tempo real da localização de absorção das ondas de rádio frequência (RF) no plasma.

• Limitações Atuais: O código de rastreamento de raios físico baseado em TORBEAM, embora preciso, leva cerca de 10 ms para executar uma versão simplificada em tempo real. Isso é lento para sistemas de controle de plasma que lidam com transientes rápidos (como ELMs ou dentes de serra com períodos de 20-50 ms), introduzindo atrasos indesejados.
• Complexidade de Dados: A execução do TORBEAM completo em tempo real exige perfis completos de densidade ($n_e$) e temperatura ($T_e$) eletrônica, além de informações detalhadas do campo magnético. O KSTAR, por exemplo, não possui um perfil de $T_e$ em tempo real completo, e o tempo de cálculo de 10 ms é um gargalo para o controle rápido de espelhos de ECH.
• Necessidade: É necessário um método de previsão que seja centenas de vezes mais rápido que o TORBEAM, mantendo a precisão, para permitir o controle dinâmico de múltiplas tarefas (como otimização de cenários e controle de NTMs) dentro de um único disparo.

2. Metodologia

Os autores desenvolveram o TorbeamNN, um modelo substituto (surrogate model) baseado em aprendizado de máquina (ML) para o código TORBEAM.

• Arquitetura do Modelo:
  • Utiliza redes neurais densas (fully connected) implementadas na biblioteca Keras.
  • Arquitetura final: 3 camadas densas com 60 neurônios cada, usando função de ativação ReLU, seguida por uma camada final linear.
  • Otimizador: Adam com taxa de aprendizado de 0,00063.
• Dados de Treinamento:
  • Fonte: Dados do experimento KSTAR de 2024 (divertor de tungstênio).
  • Volume: 647.267 cálculos do código TORBEAM de alta fidelidade (offline) foram executados para gerar o conjunto de dados.
  • Divisão: 80% treino, 10% teste, 10% validação.
  • Configurações: Três girótrons (EC2, EC4, EC5) operando em modos O e X, totalizando 6 modelos distintos.
• Entradas (Inputs):
  • Ângulos dos espelhos (poloidal e toroidal).
  • Parâmetros de equilíbrio do plasma em tempo real (obtidos via rtEFIT1): Campo toroidal ($B_T$), corrente de plasma ($I_P$), eixos magnéticos ($R_0, Z_0$), raio menor, elongação, indutância, volume e pressão normalizada ($\beta_N$).
  • Perfil de densidade eletrônica ($n_e$): Estimado por outro modelo de ML baseado em dados de interferômetro CO2 (apenas 3 pontos necessários: núcleo, fora do eixo e borda).
  • Nota: A temperatura eletrônica ($T_e$) foi inferida indiretamente através da pressão normalizada ($\beta_N$), eliminando a necessidade de um perfil de $T_e$ em tempo real.
• Saídas (Outputs):
  • Localização de absorção máxima: Coordenadas poloidal ($\rho_{pol}$), radial ($R$) e vertical ($Z$).
  • Eficiência de acionamento de corrente ($\eta_{CD}$).
• Implementação em Tempo Real:
  • Os modelos Keras foram convertidos para funções C compatíveis com o Sistema de Controle de Plasma (PCS) do KSTAR usando a biblioteca keras2c.

3. Principais Contribuições

1. Aceleração Extrema: O TorbeamNN oferece um aceleração de mais de 100 vezes em comparação com a implementação em tempo real do TORBEAM. O tempo de inferência por modelo é de aproximadamente 50-60 µs (vs. 10 ms do TORBEAM).
2. Precisão sem Perda de Fidelidade: O modelo foi treinado na versão completa e de alta fidelidade do TORBEAM, mantendo a precisão física sem a necessidade de simplificações físicas drásticas.
3. Validação Experimental: É a primeira vez que um modelo de ML para rastreamento de raios de ECH é validado e operado em tempo real no KSTAR, demonstrando controle ativo de espelhos.
4. Robustez a Dados Incompletos: O modelo demonstra capacidade de operar com sucesso sem perfis completos de $T_e$ em tempo real, utilizando proxies físicos (como $\beta_N$) e estimativas de $n_e$.

4. Resultados

• Desempenho Offline (Validação):
  • Coeficiente de determinação ($R^2$) superior a 0,992 para todas as saídas.
  • Erro absoluto médio (MAE) na previsão da localização Z de absorção: 0,2 cm.
  • O modo O apresentou desempenho ligeiramente superior ao modo X, o que é fisicamente esperado devido à menor deflexão da onda.
• Desempenho em Tempo Real (KSTAR):
  • O modelo foi integrado ao PCS e executou consistentemente abaixo de 60 µs por modelo.
  • Controle de Rastreamento: Um controlador PID foi implementado para rastrear uma posição vertical alvo ($Z_{vac}$) durante um disparo dinâmico.
  • Erro de Rastreamento: O erro absoluto médio durante o controle ativo (após a fase de rampa inicial) foi de 0,535 cm.
  • O sistema conseguiu rastrear com sucesso a posição de absorção mesmo com variações nos ângulos toroidais e mudanças dinâmicas no plasma.
  • Observação: Houve discrepâncias na fase inicial do disparo (antes da transição L-H), atribuídas a imprecisões nos dados de equilíbrio magnético (EFIT) offline vs. online, mas o desempenho estabilizou-se na fase de platô.

5. Significância e Impacto Futuro

• Viabilidade para o ITER: O sucesso do TorbeamNN no KSTAR valida o uso de modelos de ML para o sistema de controle de ECH do ITER, onde o controle multitarefa (NTM, sawtooth, otimização de cenários) exigirá velocidades de cálculo muito superiores às atuais.
• Controle de Transientes Rápidos: A redução do tempo de cálculo de 10 ms para ~60 µs permite que o sistema de controle reaja a transientes de plasma (como ELMs) que ocorrem em escalas de tempo de milissegundos, algo impossível com o TORBEAM tradicional.
• Futuras Aplicações:
  • Substituição de controladores PID por otimizadores baseados em gradientes (aproveitando a diferenciabilidade das redes neurais) para convergência mais rápida.
  • Previsão de perfis completos de aquecimento e acionamento de corrente em tempo real, permitindo otimização dinâmica da eficiência do ECCD.
  • Expansão para outras máquinas de fusão e diagnósticos.

Em resumo, o TorbeamNN representa um avanço crucial na fusão nuclear controlada, demonstrando que o aprendizado de máquina pode superar os limites computacionais dos códigos físicos tradicionais, habilitando um controle de plasma mais rápido, preciso e adaptativo.