TorbeamNN: Machine learning based steering of ECH mirrors on KSTAR

本文介绍了针对 KSTAR 装置开发的机器学习代理模型 TorbeamNN，该模型在保持与全保真 TORBEAM 代码同等精度的前提下实现了超过 100 倍的加速，成功用于实时预测电子回旋加热位置并实现了平均误差仅 0.5 厘米的动态跟踪控制。

要点

这篇论文讲述了一个关于核聚变（人造太阳）的有趣故事。简单来说，研究人员开发了一个名为 TorbeamNN 的“超级大脑”，它能以前所未有的速度告诉科学家如何精准地控制加热束，就像是在玩一个极高难度的“激光打靶”游戏。

下面我用几个生活中的比喻来为你拆解这项技术：

1. 背景：在狂风中用激光射击移动靶

想象一下，你正在玩一个游戏：你需要用一束激光（电子回旋加热，ECH）去击中一个在狂风中剧烈晃动、形状不断变化的移动靶心（等离子体）。

• 靶心：是核聚变反应堆里的超高温等离子体。
• 激光：是微波束，用来给等离子体加热或控制电流。
• 难点：等离子体里的磁场和密度像湍急的河流，会让激光发生折射（弯曲）。如果你不知道激光会怎么弯，你就打不中靶心。

2. 旧方法：笨重的“超级计算机”

以前，科学家使用一个叫做 TORBEAM 的物理软件来计算激光的路径。

• 比喻：这就像每次你要开枪前，都要请一位老教授拿着算盘和厚厚的物理书，花 10 秒钟（10 毫秒）来一步步推导激光会怎么飞。
• 问题：等离子体变化极快（比如每 20-50 毫秒就变一次），老教授算得太慢了！等算出结果，靶心早就跑了。而且，老教授还需要知道所有极其详细的天气数据（电子温度分布），如果数据不全，他就算不出来。

3. 新方法：训练有素的“直觉大师” (TorbeamNN)

为了解决这个问题，研究团队训练了一个机器学习模型，叫 TorbeamNN。

• 比喻：他们把老教授过去算过的几十万道题目（历史数据）喂给这个 AI，让它学会“直觉”。
• 效果：现在，当需要知道激光打哪里时，不需要老教授慢慢算了。AI 看一眼当前的情况，0.00005 秒（50 微秒）就能告诉你答案。
• 速度提升：这比原来的方法快了 100 多倍！就像从“用算盘计算”变成了“用超级计算机瞬间出结果”。

4. 核心突破：快且准

• 精准度：虽然 AI 算得飞快，但它并没有偷懒。它的预测结果和那个慢吞吞的“老教授”算出来的结果几乎一模一样（误差只有 0.2 厘米，比一根头发丝粗不了多少）。
• 实时控制：因为算得够快，AI 可以实时指挥镜子（反射镜）转动，追着等离子体的变化调整激光方向。
  • 实验成果：在韩国的 KSTAR 核聚变装置上，他们用这个 AI 成功控制激光，让激光束始终盯着一个上下移动的目标，平均误差只有 0.5 厘米。

5. 为什么要这么做？（未来的意义）

核聚变反应堆（如 ITER）未来需要同时做很多事：既要加热，又要抑制不稳定的“磁岛”（像反应堆里的“打嗝”），还要控制杂质。

• 比喻：以前，老教授算一次就要 10 秒，你只能做一件事。现在有了 AI 助手，你可以在一次实验中，同时指挥好几束激光去干不同的活，就像一位指挥家能同时指挥整个交响乐团，而不是只能指挥一个乐手。
• 未来展望：如果反应堆里出现快速的不稳定（比如“锯齿波”或“边缘局域模”），AI 能瞬间做出反应，防止反应堆“熄火”或损坏。

总结

这篇论文的核心就是：用人工智能取代了繁琐的物理计算。

这就好比以前我们要开车去一个陌生的地方，得先查地图、算路线（慢）；现在有了自动驾驶导航（TorbeamNN），它基于海量数据训练，能瞬间规划出最佳路线，并且比人工计算快 100 倍，还能精准地避开路上的坑坑洼洼。

这项技术让核聚变反应堆的控制变得更加灵敏、快速和智能，是人类向“人造太阳”能源迈出的重要一步。

技术摘要

TorbeamNN：基于机器学习的 KSTAR 电子回旋加热（ECH）镜面转向技术

1. 研究背景与问题 (Problem)

在托卡马克聚变装置（如 ITER 和 KSTAR）中，电子回旋加热（ECH）和电子回旋电流驱动（ECCD）是关键的加热与电流驱动手段，广泛应用于新经典撕裂模（NTM）抑制、边缘局域模（ELM）控制、杂质屏蔽及等离子体情景开发等。

核心挑战在于：

• 实时性要求高： ECH 波束的注入路径受等离子体密度和磁场影响会发生偏折，吸收位置取决于共振条件。为了有效控制等离子体（如快速生长的 NTM 不稳定性，其增长时间尺度仅为几十毫秒），需要实时计算波束吸收位置并调整镜面角度。
• 现有工具瓶颈： 传统的物理射线追踪代码 TORBEAM 虽然准确，但即使是简化版，其计算时间仍需约 10ms。对于具有快速瞬态（如 ELM 或锯齿波，周期为 20-50ms）的等离子体控制而言，这 10ms 的延迟是不可接受的，且会限制控制系统的响应速度和多任务处理能力。
• 数据依赖限制： 全精度的 TORBEAM 运行需要完整的实时磁场、电子密度（$n_e$）和电子温度（$T_e$）剖面。然而，像 KSTAR 这样的装置目前缺乏实时的 $T_e$ 剖面测量，限制了全精度模型的实时应用。

2. 方法论 (Methodology)

为了解决上述问题，研究团队开发了 TorbeamNN，这是一个基于机器学习的代理模型（Surrogate Model），用于替代传统的 TORBEAM 射线追踪代码。

2.1 数据集构建

• 数据来源： 使用 KSTAR 2024 年钨偏滤器运行周期的实验数据，涵盖 336 次放电，共 2712 个独特时间切片。
• 生成方式： 在离线状态下，针对 3 个陀螺管（EC2, EC4, EC5）的 X 模式和 O 模式，分别运行全精度 TORBEAM 代码。
• 规模： 每个陀螺管每种模式运行了约 64 万次计算，生成了大规模训练数据集（80% 训练，10% 测试，10% 验证）。
• 输入特征工程：
  • 输入包括 ECH 镜面角度、真空环向磁场、等离子体电流、磁轴位置、小半径、归一化压强（$\beta_N$）、拉长比、等离子体电感、体积以及电子密度（$n_e$）的关键点。
  • 关键创新： 模型发现仅需 3 个 $n_e$ 关键点（芯部、离轴、边缘）即可达到高精度，无需完整剖面；同时利用归一化压强 $\beta_N$ 替代了实时的 $T_e$ 剖面信息，利用全局等离子体形状参数替代了复杂的 3D 磁场网格计算。

2.2 模型架构

• 网络结构： 使用 Keras 库构建，包含 3 个全连接层（Dense Layers），每层 60 个神经元，激活函数为 ReLU，输出层为线性激活。
• 训练优化： 使用 Adam 优化器，学习率设为 0.00063。
• 部署： 训练好的 Keras 模型通过 keras2c 库转换为 C 语言函数，集成到 KSTAR 的等离子体控制系统（PCS）中。

3. 关键贡献 (Key Contributions)

1. 极速推理： TorbeamNN 实现了比实时 TORBEAM 快 100 倍以上 的速度提升。单个模型推理时间稳定在 50-60 微秒 ($\mu s$)，三个陀螺管串行运行总时间小于 180 $\mu s$。
2. 高精度预测： 在离线验证中，吸收位置（Z 坐标）预测的平均绝对误差（MAE）仅为 0.2 cm，$R^2$ 值超过 0.992。
3. 实时闭环控制验证： 首次在 KSTAR 实验中成功实现了基于 TorbeamNN 的 ECH 镜面实时反馈控制，能够动态跟踪吸收位置目标。
4. 通用性与适应性： 模型同时适用于 O 模式和 X 模式吸收，且能够处理动态变化的等离子体条件（如磁通量面变化、密度瞬态）。

4. 实验结果 (Results)

4.1 离线验证

• 精度对比： 在测试集上，TorbeamNN 预测的 Z 吸收位置与全精度 TORBEAM 计算结果高度一致。
• 误差分析： 主要误差来源并非模型本身，而是实时输入数据（如实时 EFIT 平衡重构和实时 $n_e$ 重建）的不确定性。模型预测误差（~0.28 cm）处于实时 EFIT 输入误差范围内。
• 模式差异： O 模式的预测精度略高于 X 模式，这符合物理直觉（X 模式折射效应更强）。

4.2 在线实验（KSTAR）

• 前馈控制测试： 在固定环向角度的前馈扫描实验中，TorbeamNN 预测的真空吸收位置与离线 TORBEAM 结果吻合良好（$R^2=0.995$）。
• 反馈控制测试：
  • 在动态等离子体放电中，利用 PID 控制器结合 TorbeamNN 进行 EC5 镜面的 Z 位置跟踪。
  • 控制性能： 在 5.1 秒至 15 秒的跟踪区间内，平均绝对误差为 0.535 cm。
  • 响应速度： 由于计算延迟极低，控制系统能够及时响应等离子体瞬态变化，有效跟踪目标位置。
  • 局限性： 在放电初期（LH 转换前），由于实时平衡重构数据不准确，模型预测出现偏差，但这被归因于输入数据而非模型本身。

5. 意义与未来展望 (Significance & Future Directions)

• 控制系统的革新： TorbeamNN 证明了机器学习代理模型可以完全替代传统的物理射线追踪代码用于实时控制，消除了计算延迟瓶颈。这使得在单次放电中进行多任务 ECH 控制（如同时抑制 NTM 和优化情景）成为可能。
• 未来应用潜力：
  • 高级控制策略： 利用神经网络的微分特性，未来可开发基于梯度的优化控制器，替代传统的 PID 控制，实现更快的收敛速度。
  • 全剖面预测： 扩展模型以实时预测完整的 ECH/ECCD 沉积剖面，而不仅仅是吸收点，从而优化电流驱动效率。
  • 下一代反应堆： 对于 ITER 及未来的聚变反应堆，这种快速、准确的 RF 加热定位能力对于维持等离子体稳定性至关重要。

总结： TorbeamNN 是聚变等离子体控制领域的一项突破性进展，它通过机器学习技术将 ECH 镜面转向的计算速度提升了两个数量级，同时保持了物理模型的精度，为未来聚变堆的实时、多任务等离子体控制奠定了坚实基础。