Real-time virtual circuits for plasma shape control via neural network emulators

本文提出了一种基于神经网络的方法，该方法从包含超过一百万个模拟平衡态的库中生成实时且感知状态的虚拟电路，从而实现对 MAST 升级托卡马克耦合等离子体形状参数的准确且稳健的独立控制。

要点

想象一个托卡马克（一种聚变反应堆）就像一个由超热气体（等离子体）构成的巨大、不可见的“气球”，漂浮在一个磁笼内部。为了防止这个气球破裂或飘走，科学家们利用强大的磁铁（线圈）对其进行挤压和塑形。

问题在于，这些磁铁就像一团纠缠的线绳。如果你拉动其中一根线绳想把气球向上移动，它可能会意外地将其向侧面挤压，或以你意想不到的方式将其拉伸。这种现象被称为“耦合”。

旧方法：静态地图

为了解决这个问题，科学家们过去会创建一种名为**虚拟电路（Virtual Circuit, VC）**的“作弊表”。你可以将其理解为针对特定时刻预先绘制好的地图。

• 工作原理：在实验之前，他们会精确计算出如何拉动线绳，以使气球沿直线移动，同时假设气球保持某种特定形状。
• 缺陷：一旦气球开始晃动、改变大小或偏离那个精确的位置，旧地图就会变得毫无用处。指令不再符合现实。为了解决这个问题，科学家们必须为旅程中的每一个微小步骤手动绘制新地图，这既缓慢又繁琐，还需要专家不断调整计划。

新方法：智能 GPS

本文介绍了一种利用神经网络（一种人工智能）来控制气球的更智能的新方法。

研究人员没有使用静态的、预先绘制好的地图，而是构建了一个等离子体的数字孪生。

1. 图书馆：他们创建了一个包含超过一百万个模拟等离子体形状的庞大图书馆。想象一下，拍摄气球在所有可能的位置、大小和晃动状态下的照片。
2. 大脑：他们训练了一个人工智能（神经网络），使其能够观察磁铁的当前状态，并即时预测气球的形状将如何变化。
3. 魔法技巧：由于该人工智能是基于允许即时“逆向工程”（称为可微函数）的数学构建的，它可以立即回答这个问题：“如果我想让气球向右移动 5 毫米，我究竟需要微调那 10 个磁铁中的每一个多少量？”

为什么这很重要

• 实时感知：旧方法就像拿着昨天的地图开车。而新方法则像拥有一个实时 GPS，随着道路（等离子体）的变化，每毫秒都会重新计算最佳路线。
• 解开线结：人工智能在这方面非常擅长，它能找出磁铁调整的完美组合，使气球向一个方向移动，而不会意外干扰其他方向。它实际上能够即时“解开”控制系统中的线结。
• 速度：用旧方法计算这些指令需要几秒钟（对于实时控制来说太慢了）。而人工智能只需微秒即可完成。

结果

研究人员在 MAST-U 聚变装置上测试了这个“智能 GPS"。

• 准确性：对于等离子体的主体部分，人工智能的准确性极高，误差极小（小于 5%）。
• 棘手部分：在控制等离子体的尖端（即接触反应堆壁的部分）时，它的表现稍逊一筹，误差高达 15%。论文指出，这并不是因为人工智能不好，而是因为即使对于最优秀的人类专家来说，这些特定部分本身也极难独立控制。
• 可靠性：通过使用一个由八个略有不同的 AI 模型组成的“团队”（集成），而不是仅仅依赖一个模型，他们使系统变得更加稳健和可靠。

结论

本文证明，我们可以用快速、智能、自我更新的系统取代缓慢、人工、预先计算的地图。这使得聚变反应堆能够在等离子体快速演变的过程中完美地维持其形状，为更稳定、更高效的聚变能源实验铺平了道路。该方法专为 MAST-U 装置设计，但旨在适用于未来任何类似的聚变反应堆。

技术摘要

技术摘要：基于神经网络模拟器的等离子体形状控制实时虚拟电路

问题陈述
在如 MAST 升级装置（MAST-U）等托卡马克中，可靠的等离子体位置和形状控制需要对强耦合的形状参数进行精确的实时调节。当前的控制系统利用“虚拟电路”（VCs）——即线性化映射，将极向场（PF）线圈电流的微小变化与参考 Grad–Shafranov（GS）平衡态附近特定形状参数的变化联系起来。这些虚拟电路有效地解耦了控制问题，允许独立调节 X 点位置和偏滤器 strike point 等参数。

然而，由于延迟限制，使用数值求解器实时计算虚拟电路在计算上是不可行的。因此，现有系统依赖于从沿期望轨迹采样的有限参考平衡态集合中推导出的预计算虚拟电路时间表。这种方法存在两个主要局限性：

1. 局部有效性：随着等离子体偏离特定的参考平衡态，线性化效果退化，导致形状参数之间出现非预期的耦合，并降低控制器性能。
2. 人工复杂性：工作流程高度依赖人工，需要专家干预来选择参考平衡态并调整控制阶段，这增加了为快速演变的场景设计稳健策略的复杂性。

方法论
作者提出了一种基于机器学习的框架，用源自神经网络（NN）模拟器的“状态感知”虚拟电路，取代静态的预计算虚拟电路时间表。该方法分为三个主要阶段：

1. 合成平衡态库生成：

   • 作者没有仅依赖有限的历史放电数据，而是利用自由边界平衡态代码 FreeGSNKE 生成了包含超过 160 万个合成 MAST-U GS 平衡态的库。
   • 采用马尔可夫链蒙特卡洛（MCMC）方法探索输入空间，使用来自历史放电的 3,999 个“种子”平衡态作为起点。这确保了在覆盖广泛参数空间（包括限制位形和偏滤器位形）的同时，对理想运行区域进行密集采样。
   • 对数据集进行了过滤，要求三种不同的计算方法在 strike point（$R_{strike}$）计算上达成一致，以确保其计算的稳健性，最终得到包含 918,124 个平衡态的数据集。

2. 神经网络训练：

   • 训练前馈神经网络以模拟从输入参数（PF 线圈电流、总等离子体电流和"Lao85"剖面参数）到七个关键输出形状参数（$R_{in}, R_{out}, R_X, Z_X, R_{strike}, R_{nose}, S_{gap}$）的映射。
   • 作者明确选择训练神经网络来预测形状参数（$P$），而不是直接预测雅可比矩阵。这使得灵敏度矩阵（$S = \partial P / \partial I_{shape}$）可以通过自动微分或有限差分推导得出，从而避免了直接预测雅可比矩阵所需的显著更大的模型和数据集。
   • 构建了一个由八个表现最佳的模型组成的集成模型，以减少方差并提高稳健性。

3. 虚拟电路推导：

   • 训练好的神经网络提供了可微函数。利用自动微分（AD）或应用于集成输出的有限差分（FD），可以快速计算灵敏度矩阵 $S$。
   • 随后，虚拟电路矩阵 $V$ 作为 $S$ 的伪逆推导得出。由于神经网络推理比求解 GS 方程快几个数量级，这些虚拟电路可以根据瞬时等离子体状态实时计算。

关键结果
作者通过在 5,000 个平衡态的测试集上应用源自虚拟电路的电流扰动，并使用 FreeGSNKE 评估由此产生的等离子体响应，进行了广泛的静态验证。

• 准确性：神经网络模型集成在形状参数预测上表现出高准确性，核心参数的均方根误差（RMSE）在毫米量级。
• 虚拟电路性能：
  • 集成模型与单模型对比：集成方法的表现始终优于单一最佳模型，产生的实际位移分布更窄，误差更低（核心参数通常小于 5%）。
  • 自动微分与有限差分对比：自动微分和有限差分在核心形状参数上产生了可比的结果，误差在 1–5% 范围内。这证实了模拟器足够平滑，适合基于自动微分的导数计算。
  • 与基于物理的虚拟电路对比：源自模拟器的虚拟电路与通过有限差分 GS 解（基于物理的参考）计算的虚拟电路性能高度吻合。虽然基于 GS 的虚拟电路仍然最准确，但基于模拟器的方法在核心参数上仅显示出适度的精度下降。
• 局限性：在偏滤器相关参数，特别是 strike point（$R_{strike}$）上观察到了较大的偏差，误差高达 15–25%。作者将此归因于利用现有的 MAST-U 线圈组解耦这些特定参数的内在困难，并指出这种行为在基于物理的 GS 虚拟电路中同样存在。

意义与主张
本文主张，模拟的虚拟电路在物理上是有效的，可作为预计算时间表的可扩展且通用的替代方案。这项工作的主要意义在于：

1. 实时状态感知：该方法能够直接从等离子体状态实时计算虚拟电路，消除了对围绕固定参考点的局部线性化的依赖。这使得控制系统在等离子体偏离标称条件演变时仍能保持有效。
2. 自动化与稳健性：通过动态生成虚拟电路，该方法减少了对人工专家干预选择参考平衡态和调整控制阶段的需求，简化了为复杂场景设计稳健控制器的过程。
3. 设备无关性：虽然该方法是为 MAST-U 开发的，但它具有设备无关性。它仅依赖于 GS 平衡态数据集，该数据集可为任何托卡马克构型生成，使得该方法可直接迁移到其他装置。
4. 可解释性：该方法保留了熟悉的、可解释的基于虚拟电路的控制框架，作为现有等离子体控制系统（PCS）架构的最小扩展，而非彻底的范式转变。

作者得出结论，这种基于神经网络的方法提供了一条通往更自适应、更易用的等离子体控制的有前景的途径，在满足实时部署所需的高计算速度的同时保持了高准确性。