KI-Technologien zur Echtzeitvorhersage und -steuerung des Verhaltens von Fusionsplasma

Echtzeitvorhersage und -steuerung des Verhaltens von Fusionsplasma mit KI

• Multimodale Super-Resolution: Nichtlineare komplexe Systeme, die von physikalischen Skalen in mehreren räumlichen und zeitlichen Dimensionen bestimmt werden, lassen sich mit einer einzelnen Diagnostik nicht vollständig verstehen. Die Kombination mehrerer Diagnostiken führt zu unvollständigen Projektionen der Systemphysik. Diese Lücken können geschlossen werden, indem verborgene Kreuzkorrelationen identifiziert werden. Dafür wird eine innovative Methodik des maschinellen Lernens eingeführt. Diese Methodik hilft dabei, Plasmainstabilitäten wie Edge Localized Modes (ELM) zu adressieren.

• RT-Profilsteuerung durch maschinelles Lernen: Zur Steuerung des Plasmas in Tokamaks werden verschiedene „Aktuatoren“ eingesetzt. Mit modellprädiktiver Regelung lassen sich die Erfolgsquote physikalischer Experimente erhöhen und Zeit sparen. Da Echtzeit-Physikmodelle nicht immer präzise sind, wurde ein Modell des maschinellen Lernens entwickelt, das ausschließlich Echtzeitdiagnostik verwendet und Vorhersagen innerhalb von 100 Mikrosekunden erzeugt.

Überwachung des Plasmaverhaltens durch hochauflösende Diagnostik

• Erkennung und Klassifizierung von Instabilitäten: Es wird an der Erkennung und Klassifizierung von Instabilitäten im Plasmakern auf Basis von Elektron-Zyklotron-Emissionssignalen geforscht. Dabei wurde gezeigt, dass Modelle des maschinellen Lernens wie Reservoir Computing Networks für die Verarbeitung zeitlicher Zeitreihendaten effektiv sind.

• Verbesserung von Genauigkeit und Reichweite diagnostischer Daten: Die Genauigkeit und Reichweite diagnostischer Daten sind entscheidend, um die optimale Leistung von Fusionsforschungsanlagen und Reaktoren zu verstehen. Mit ML-basierten Ansätzen lassen sich diagnostische Signale reproduzieren und die Signalvisualisierung verbessern.

Kreuzvalidierung und Verifikation großer Datenbanken von Tokamak-Transportmodellen

• Höhere Zuverlässigkeit von Tokamak-Transportvorhersagen: Unter Verwendung von DIII-D-Entladungen wird statistische Signifikanz sichergestellt und die Zuverlässigkeit von Vorhersagemodellen erhöht. Die 1D-Transportsolver ASTRA und TRANSP wurden validiert und zeigten eine hohe Genauigkeit bei der Vorhersage gespeicherter Energie, boten jedoch bei der Vorhersage von Plasma-Temperaturprofilen keinen statistischen Vorteil gegenüber einfachen empirischen Modellen.

Stabile Divertor-Ablösung durch einen Echtzeit-Proxy für die frontale Carbon-III-Emission

• Stabile Divertor-Ablösung: Dies ermöglicht es Tokamaks, eine gute Einschlussleistung aufrechtzuerhalten und gleichzeitig Schäden an Divertorplatten durch übermäßigen Wärmefluss zu vermeiden. Mithilfe von Algorithmen des maschinellen Lernens lässt sich der Ablösungswert direkt an jeder Stelle im Tokamak bestimmen und bei Bedarf das Aktuierungssignal anpassen.