KI steuert Tokamak-Plasma in 20-Millisekunden-Zyklen

In einem Tokamak kann sich Plasma innerhalb weniger Millisekunden verändern. Eine kleine Störung kann schnell genug anwachsen, um ein Experiment zu beeinträchtigen, bevor ein Mensch reagieren kann. Ein Team der Princeton University und des Princeton Plasma Physics Laboratory hat deshalb mehrere KI-Modelle direkt mit dem Kontrollsystem verbunden.

Die Plattform trägt den Namen PACMAN, kurz für „Prediction And Control using MAchiNe learning“. Sie wurde in fünf Experimenten am Tokamak DIII-D erprobt. Dabei ging es nicht um isolierte Simulationen: Die Modelle erhielten reale Messdaten, erstellten Vorhersagen und übermittelten während des Betriebs Befehle an die Anlage.

Eine vollständige Regelschleife in rund 20 Millisekunden

PACMAN sammelt zunächst Temperaturen, Dichten und magnetische Signale aus der Tokamak-Diagnostik. Das System prüft die Daten und stellt sie den jeweils zuständigen Modellen bereit. Diese schätzen, was das Plasma gerade tut oder als Nächstes tun könnte. Controller berechnen anschließend eine Aktion, etwa die Anpassung eines Heizstrahls, der Gaszufuhr oder magnetischer Einstellungen.

Der gesamte Ablauf dauert typischerweise etwa 20 Millisekunden und kann damit ungefähr fünfzigmal pro Sekunde wiederholt werden. Diese Geschwindigkeit ist entscheidend. Detaillierte physikalische Simulationen benötigen mitunter Tage oder Monate und eignen sich daher nicht für Korrekturen während eines laufenden Experiments.

Fünf Experimente mit unterschiedlichen Aufgaben

Mit derselben Architektur ließen sich mehrere spezialisierte Modelle und Controller einbinden. In den Versuchen wurde PACMAN eingesetzt, um:

• die Heizsysteme durch einen mit bestärkendem Lernen trainierten Controller zu steuern;
• plötzliche Energieausbrüche am Rand des Plasmas vorherzusagen;
• von schnellen Teilchen erzeugte Wellen zu erkennen und zu begrenzen;
• Dichte und Rotation auf vorgegebene Zielwerte einzustellen;
• eine sogenannte Tearing-Mode-Instabilität vorherzusagen und vor ihrer Entstehung zu verhindern.

Im letzten Fall warnte ein Modell ungefähr 200 Millisekunden im Voraus. Das klingt nach wenig Zeit, reicht dem System aber für rund zehn vollständige Regelzyklen. Ein konventioneller Controller reagiert üblicherweise erst nach Beginn der Instabilität, was stärkere Leistungseinbußen verursachen kann.

KI arbeitet innerhalb unabhängiger Sicherheitsgrenzen

Die Architektur trennt Modelle, Controller und die Ausgabe an die Hardware. Fordern zwei Komponenten unvereinbare Aktionen an, löst die Ausgabeschicht den Konflikt. Sie erzwingt außerdem feste technische Grenzwerte, sodass ein Modell keinen Befehl außerhalb des zulässigen Bereichs an die Anlage übergeben kann.

Die physikalischen Ziele werden weiterhin von Fachleuten festgelegt. Sie wählen Parameter, prüfen Ergebnisse und justieren die Controller zwischen den Experimenten. Der Nutzen liegt in der schnellen, wiederholten Verarbeitung zahlreicher Signale innerhalb eines kontrollierten Rahmens, nicht in einer unbegrenzten Autonomie.

Eine wiederverwendbare Infrastruktur für die Fusionsforschung

Dank des modularen Aufbaus kann ein Modell ergänzt oder ausgetauscht werden, ohne die gesamte Kontrollkette neu zu entwickeln. Das könnte die Übertragung auf andere Tokamaks erleichtern, auch wenn jede Anlage eigene Abmessungen, Sensoren und Stellglieder besitzt.

Die Ergebnisse bedeuten nicht, dass ein kommerzielles Fusionskraftwerk einsatzbereit ist. Sie zeigen jedoch, dass maschinelles Lernen auf einer realen Anlage in den von der Plasmaphysik vorgegebenen Zeitfenstern arbeiten kann, während getrennte technische Schutzmechanismen aktiv bleiben.

Die detaillierten Ergebnisse wurden in Nuclear Fusion veröffentlicht. Das Princeton Plasma Physics Laboratory beschreibt außerdem die fünf Experimente und die fortbestehende Rolle menschlicher Operatoren.