Фреймворк машинного обучения позволяет прогнозировать микросмещения катушек термоядерной установки DIII-D

Исследователи из Национального ускорительного комплекса Томаса Джефферсона (Thomas Jefferson National Accelerator Facility, Jefferson Lab) Министерства энергетики США (DOE) и их коллеги разработали фреймворк машинного обучения, позволяющий прогнозировать незначительные изменения критически важного оборудования термоядерной установки до начала следующего эксперимента. Метод ориентирован на Национальную термоядерную установку DIII-D (DIII-D National Fusion Facility) в Сан-Диего; результаты опубликованы в журнале «Машинное обучение и его применение».

Внутренняя структура токамака Национальной термоядерной установки DIII-D. (Фото предоставлено компанией General Atomics)

DIII-D — это токамак, в котором с помощью сильных магнитных полей плазма, нагретая до температур выше температуры солнечного ядра, удерживается в тороидальной камере. Вокруг установки расположен ряд крупных катушек тороидального поля (TF), создающих магнитное поле, необходимое для удержания плазмы. Несмотря на то, что эти катушки изготовлены и закреплены с соблюдением строгих инженерных допусков, между различными плазменными разрядами, или «импульсами», по мере изменения стабильности плазмы катушки могут испытывать чрезвычайно незначительные смещения. Хотя такие изменения малы, они могут влиять на физические условия в ходе эксперимента.

Плазменные разряды на установке DIII-D производятся примерно каждые 10 минут. Исследовательская группа стремилась прогнозировать движение катушек в короткие промежутки между экспериментами, чтобы операторы могли своевременно корректировать параметры плазмы или при необходимости планировать техническое обслуживание, не допуская перерастания мелких проблем в серьезные.

«Разработанная нами технология поможет исследователям в области термоядерного синтеза выявлять проблемы на физической установке до того, как они действительно возникнут», — отметил Кишан Раджпут (Kishan Rajput), специалист по обработке данных из Jefferson Lab и ведущий автор статьи.

Художественная схема и поперечное сечение токамака DIII-D. (Иллюстрация компании General Atomics)

Для достижения этой цели исследователи построили цифровой двойник системы катушек тороидального поля установки DIII-D. Модель использует глубокую нейронную сеть, обучаемую в режиме онлайн, которая способна непрерывно обновляться по мере поступления новых данных, в отличие от традиционных статических моделей, полагающихся только на существующие исторические данные. Раджпут отметил, что, поскольку поведение плазмы постоянно меняется, данные с катушек TF демонстрируют значительный дрейф между различными измерениями; если модель не обновляется с учетом новых данных, прогнозы, скорее всего, потеряют надежность.

Исследовательская группа дополнительно применила ансамблевую онлайн-модель, объединяющую несколько моделей, обученных на различных исторических временных окнах. Одни модели лучше подходят для выявления внезапных изменений, другие предназначены для выявления более медленных постепенных изменений, а третьи охватывают временные масштабы между ними. Система также генерирует оценку неопределенности для каждого прогноза и при объединении результатов присваивает больший вес моделям с более узким диапазоном погрешности и более высокой уверенностью.

Результаты испытаний показали, что по сравнению с традиционными статическими моделями машинного обучения метод онлайн-обучения позволяет снизить ошибку прогнозирования на 80%; при дальнейшем применении ансамблевого метода с учетом неопределенности ошибка дополнительно снижается примерно на 10% по сравнению с одной онлайн-моделью. Эти оценки неопределенности также могут служить справочной информацией для операторов DIII-D при принятии решений.

Исследование выполнено Jefferson Lab совместно с компанией General Atomics, Хьюстонским университетом (University of Houston) и Тихоокеанской северо-западной национальной лабораторией (Pacific Northwest National Laboratory). DIII-D является пользовательской установкой Управления науки Министерства энергетики США, управляется компанией General Atomics и поддерживается Управлением по науке о термоядерной энергии Министерства энергетики США.

Раджпут сообщил, что на следующем этапе планируется продолжить тестирование системы с использованием многолетних исторических данных для выявления более редких событий и улучшения способности к количественной оценке неопределенности. Исследовательская группа также стремится более наглядно продемонстрировать, как модель эволюционирует в зависимости от состояния установки, что повысит интерпретируемость инструментов искусственного интеллекта в диагностике термоядерных установок.

В настоящее время фреймворк уже готов к развертыванию на установке DIII-D и может быть адаптирован по мере необходимости для использования на других термоядерных установках. Исследователи считают, что сочетание адаптивного обучения, оценки неопределенности и ограничений по времени эксплуатации эксперимента будет способствовать переходу искусственного интеллекта от инструмента постфактум-анализа к вспомогательному средству принятия решений в реальном времени непосредственно на термоядерных экспериментальных площадках.