AI stuurt tokamakplasma aan in cycli van 20 milliseconden

In een tokamak kan plasma in enkele milliseconden veranderen. Een kleine verstoring kan snel genoeg groeien om een experiment te verstoren voordat een operator kan reageren. Een team van Princeton University en het Princeton Plasma Physics Laboratory koppelde daarom meerdere AI-modellen rechtstreeks aan het controlesysteem.

Het platform heet PACMAN, een afkorting van “Prediction And Control using MAchiNe learning”. Het werd getest tijdens vijf experimenten op de DIII-D-tokamak. Dit waren geen losstaande simulaties: de modellen ontvingen echte metingen, maakten voorspellingen en stuurden tijdens de werking opdrachten naar de installatie.

Een volledige regelkring in ongeveer 20 milliseconden

PACMAN verzamelt eerst temperaturen, dichtheden en magnetische signalen uit de diagnostiek van de tokamak. Het systeem controleert de gegevens en verdeelt ze over de modellen die ze nodig hebben. Die modellen schatten wat het plasma doet of binnenkort zal doen. Controllers berekenen daarna een actie, zoals het aanpassen van een verwarmingsbundel, gasinjectie of magnetische instellingen.

De volledige cyclus duurt doorgaans ongeveer 20 milliseconden, goed voor circa vijftig beslissingen per seconde. Die snelheid is doorslaggevend. Zeer gedetailleerde fysische simulaties kunnen dagen of maanden rekentijd vragen en zijn daardoor ongeschikt voor correcties tijdens een experiment.

Vijf experimenten met verschillende taken

Dezelfde architectuur kon verschillende gespecialiseerde modellen en controllers combineren. Tijdens de proeven werd PACMAN gebruikt om:

• de verwarmingssystemen te laten regelen door een controller die met reinforcement learning was getraind;
• plotselinge energie-uitbarstingen aan de rand van het plasma te voorspellen;
• golven door snelle deeltjes te detecteren en te beheersen;
• dichtheid en rotatie naar door onderzoekers gekozen doelen te sturen;
• een zogeheten tearing mode te voorspellen en te voorkomen voordat die ontstond.

In dat laatste experiment waarschuwde een model ongeveer 200 milliseconden vooraf. Dat lijkt kort, maar het geeft het platform ruimte voor ongeveer tien volledige regelcycli. Een conventionele controller kan zo’n instabiliteit doorgaans pas aanpakken nadat ze is begonnen, wat meer prestaties kan kosten.

AI adviseert binnen onafhankelijke veiligheidsgrenzen

De architectuur houdt modellen, controllers en de uitvoer naar de hardware van elkaar gescheiden. Wanneer twee componenten onverenigbare acties vragen, lost de uitvoerlaag het conflict op. Dezelfde laag dwingt vaste hardwarelimieten af, zodat een model geen opdracht buiten het toegestane bereik kan doorgeven.

Fysici blijven de doelwaarden bepalen. Zij kiezen de parameters, beoordelen de resultaten en stellen de controllers tussen experimenten bij. De meerwaarde zit in het snel en herhaald verwerken van veel signalen binnen een gecontroleerd kader, niet in onbeperkte autonomie.

Een herbruikbare basis voor fusieonderzoek

Door de modulaire opbouw kan een nieuw model worden toegevoegd of vervangen zonder de hele keten opnieuw te bouwen. Dat kan overdracht naar andere tokamaks vergemakkelijken, al heeft elke installatie eigen afmetingen, sensoren en actuatoren.

De resultaten betekenen niet dat een commerciële fusiecentrale gereed is. Ze tonen wel dat machine learning op een echte installatie binnen de tijdschaal van plasmadynamiek kan werken, terwijl afzonderlijke technische beveiligingen van kracht blijven.

De volledige resultaten verschenen in Nuclear Fusion. Het Princeton Plasma Physics Laboratory beschrijft ook de vijf experimenten en de blijvende rol van menselijke operators.