KI Sagt Plasma-Runaway Voraus; MIT Und Andere Nutzen Maschinelles Lernen, Um Mit Kleinen Proben Hochpräzise Vorhersagen Der Plasmadynamik Zu erreichen.

Wenn Sie den „Tokamak“ direkt erwähnen, kann es Ihnen fremd vorkommen. Wenn Sie ihn so einführen:Das Tokamak-Gerät ist eine der wichtigsten Technologien, die zur idealsten Energiequelle führen – der Kernfusionsenergie.Vielleicht werden Sie einen Moment lang erkennen: „Also Sie sind es.“ Mit „Kernenergie“ ist hier allerdings nicht die Kernspaltung in Kernkraftwerken gemeint, sondern die Kernfusion, die wesentlich energieeffizienter, sauberer und sicherer ist und praktisch keinen radioaktiven Abfall produziert.

Die Kernfusion simuliert den Energieerzeugungsprozess im Inneren der Sonne und setzt Energie frei, indem leichte Kerne (wie Deuterium und Tritium) bei extrem hohen Temperaturen kombiniert werden.Dazu sei es notwendig, auf der Erde „eine kleine Sonne zu erschaffen“.Das Tokamak-Gerät erhält die Stabilität der Fusionsreaktion aufrecht, indem es Plasma mit einer höheren Temperatur als der des Sonnenkerns in einer ringförmigen Vakuumkammer enthält und es mit einem starken Magnetfeld einschließt.

Ideale sind zwar voller Hoffnung, die Realität ist jedoch äußerst „sensibel“.Für einen Tokamak ist der Stromabfall am Ende der Entladung eine hochgefährliche Phase. Er ist Plasmaströmen mit Geschwindigkeiten von bis zu 100 Kilometern pro Sekunde und Temperaturen von über 100 Millionen Grad Celsius ausgesetzt. Während dieser Zeit erfährt das Plasma starke vorübergehende Veränderungen, und jeder noch so kleine Kontrollfehler könnte zerstörerische Störungen auslösen und das Gerät möglicherweise beschädigen.

In diesem Zusammenhang nutzte ein vom MIT geleitetes Forschungsteam Scientific Machine Learning (SciML), um physikalische Gesetze intelligent mit experimentellen Daten zu integrieren.Es wurde ein neuronales Zustandsraummodell (NSSM) entwickelt, um die Plasmadynamik während des Ramp-Down-Prozesses der Tokamak-Konfigurationsvariablen (TCV) anhand einer kleinen Datenmenge vorherzusagen.Neben möglichen instabilen Situationen trägt es zur sicheren Kontrolle des Stopps der „künstlichen Sonne“ bei.

Die zugehörige Forschung mit dem Titel „Learning plasma dynamics and robust rampdown trajectories with predict-first experiments at TCV“ wurde in Nature Communications veröffentlicht.

Forschungshighlights:

* Es wurde ein neuronales Zustandsraummodell (NSSM) vorgeschlagen, das physikalische Einschränkungen und datengesteuerte Methoden kombiniert, um eine hochpräzise dynamische Vorhersage und schnelle parallele Simulation während der Ramp-Down-Phase der Tokamak-Entladung zu erreichen.
* Vollständige Extrapolationsüberprüfung nach dem Prinzip „Vorhersage zuerst“ in TCV-Experimenten. Die Closed-Loop-Methode „Vorhersage zuerst, Experiment später“ ermöglicht eine echte datengesteuerte Kontrollüberprüfung.

Papieradresse:
https://www.nature.com/articles/s41467-025-63917-x
Folgen Sie dem offiziellen Konto und antworten Sie mit „Tokamak“, um das vollständige PDF zu erhalten

Weitere Artikel zu den Grenzen der KI:
https://hyper.ai/papers

Datensatz: Effizientes Lernen mit kleinen Stichproben

Der Datensatz, den das Forschungsteam zum Trainieren des Modells verwendet hat, besteht aus 442 aktuellen Entladetestaufzeichnungen eines TCV-Geräts. 311 dieser Aufzeichnungen wurden für das Training verwendet (davon lagen nur 5 im Hochleistungsbereich) und 131 für die Validierung. Spüren Sie, wie „mini“ dieser Datensatz ist?

Allein mit diesen Daten im kleineren Maßstab lernte das Modell, komplexe Plasmadynamiken vorherzusagen und konnte Zehntausende von Abstiegsbahnen pro Sekunde parallel auf einer einzigen A100-GPU simulieren, was seine leistungsstarken Lern- und Vorhersagefähigkeiten demonstrierte.

Das Neural State Space Model: Physik als Skelett und Nerven als Seele

Der Kern der Forschung besteht darin, ein Modell zu entwickeln, das die komplexe Dynamik des Plasmas während der Abschaltphase genau vorhersagen kann. Zu diesem Zweck entwickelte das Forschungsteam ein „neuronales Zustandsraummodell“, das Physik und Daten integriert.

Das Grundgerüst dieses Modells ist die nulldimensionale physikalische Gleichung, die hauptsächlich die Energiebilanz und die Teilchenbilanz des Plasmas beschreibt. Einige Schlüsselparameter (wie Einschlusszeit, Strahlungsverlust usw.) lassen sich jedoch nur schwer mit Grundprinzipien präzise modellieren.Daher hat das Forschungsteam in diese Kernteile „neuronale Netzwerke“ eingebettet.Dadurch kann das Modell diese schwer zu simulierenden physikalischen Effekte aus experimentellen Daten lernen, ähnlich wie ein selbstfahrendes Auto mit einem Standard-Fahrzeugchassis, dessen „Fahrerlebnis“ jedoch anhand realer Straßendaten trainiert wird.

Konkret verwendet das Modell als Eingabe eine Reihe steuerbarer „Aktionen“, wie etwa die Änderungsrate des Plasmastroms und die Injektionsleistung des Neutralstrahls. Durch die Lösung dieses hybriden Differentialgleichungssystems aus „physikalischen Gleichungen + neuronalen Netzwerken“ kann das Modell die Zukunft Schritt für Schritt vorhersagen.

Der Trainingsprozess des Neural State Space Model (NSSM) erfolgt effizient und automatisiert. Das Modell besteht aus einer Dynamikfunktion F_θ  und die Beobachtungsfunktion O_θ  Wir definieren das Modell, führen Vorwärtssimulationen durch, um Vorhersagen zu generieren, und vergleichen die Vorhersagen mit den experimentellen Beobachtungen, um den Verlust zu berechnen. Anschließend optimieren wir die Modellparameter mithilfe der automatischen Differenzierungs-Adjungierten-Methode von Diffrax und JAX.

Interessante und inspirierende Experimentalsitzungen

Unter allen Experimenten kamen die beiden inspirierendsten Ergebnisse aus der Robustheitsüberprüfung der „Steuerungsfehlerempfindlichkeit“ und dem „Forecast-Ahead“-Extrapolationstest.Ersteres offenbart einen anfälligen Punkt in der Verlangsamungsphase: Wenn es auf der Hochfeldseite zu einer geringfügigen Abweichung im Spalt kommt, kann die Wachstumsrate der vertikalen Instabilität um Größenordnungen verstärkt werden und dadurch ein vertikales Verschiebungsereignis (VDE) ausgelöst werden.

In einer nummerierten #81751  Bei der Entladung eines Plasmas führt dieses Phänomen zu einer plötzlichen Abweichung und Beendigung des Plasmas. Darauf aufbauend führte das Forschungsteam die Unsicherheitsverteilung des Lückenfehlers in die Umgebung des bestärkenden Lernens (RL) ein, sodass sich die Trajektorie während des Trainings aktiv an die Unsicherheit anpasst.Die Ergebnisse zeigen, dass die neu optimierte Trajektorie (#82875) bleibt unter ähnlichen Fehlerbedingungen stabil.Diese Verbesserung demonstriert die Fähigkeit des Modells, Robustheit aus echten Fehlern zu lernen, und beweist auch, dass eine datengesteuerte Optimierung die Fehlertoleranz des Gerätebetriebs unter Sicherheitsbeschränkungen tatsächlich verbessern kann.

Ein weiteres Extrapolationsexperiment namens „Predict-First“Dies bestätigt das Generalisierungspotenzial des Modells in unbekannten Parameterbereichen. Die Forscher erhöhten die obere Stromgrenze von 140 kA auf 170 kA und verließen sich bei der Generierung der Trajektorien vor dem Experiment vollständig auf die Vorhersagen des neuronalen Zustandsraummodells (NSSM). Die experimentellen Ergebnisse zeigten, dass die Vorhersagen des Modells für wichtige physikalische Größen in hohem Maße mit den Messergebnissen übereinstimmten und die Entladung erfolgreich und ohne Bruch beendet werden konnte.

Der Weg zur Verwirklichung „optimaler Energie“

Das Forschungsteam arbeitet Berichten zufolge mit Commonwealth Fusion Systems (CFS) zusammen, um zu erforschen, wie sich mithilfe neuer Vorhersagemodelle und ähnlicher Werkzeuge das Plasmaverhalten besser vorhersagen, Maschinenstörungen vermeiden und eine sichere Fusionsstromerzeugung erreichen lässt. Teammitglied Allen Wang erklärte: „Wir sind entschlossen, die wissenschaftlichen Herausforderungen zu meistern, um die Kernfusion routinemäßig anzuwenden. Dies ist zwar erst der Anfang eines langen Weges, aber ich bin überzeugt, dass wir bereits gute Fortschritte erzielt haben.“ Darüber hinaus zeichnet sich in diesem interdisziplinären Feld eine Fülle neuer Forschungsergebnisse ab.

Das Princeton Plasma Physics Laboratory (PPPL) in den USA hat in Zusammenarbeit mit mehreren Universitäten das Diag2Diag-Modell entwickelt. Durch das Erlernen der Korrelationen zwischen Diagnosesignalen aus mehreren Quellen kann dieses Modell wichtige Plasmaparameter virtuell rekonstruieren, wenn Sensoren ausfallen oder die Beobachtungsmöglichkeiten eingeschränkt sind. Dies verbessert die Überwachungs- und Frühwarnfunktionen von Fusionsanlagen erheblich. Die zugehörige Forschung mit dem Titel „Diag2Diag: KI-gestützte virtuelle Diagnostik für Fusionsplasma“ wurde auf der arXiv-Plattform veröffentlicht.
Papieradresse:
https://arxiv.org/abs/2405.05908v2

Darüber hinaus wurde in einer auf der arXiv-Plattform veröffentlichten Studie mit dem Titel „FusionMAE: Groß angelegtes vortrainiertes Modell zur Optimierung und Vereinfachung der Diagnose und Steuerung von Fusionsplasma“ FusionMAE vorgeschlagen, ein groß angelegtes, selbstüberwachtes, vortrainiertes Modell für Fusionssteuerungssysteme. Dieses Modell integriert über 80 Diagnosesignale in einen einheitlichen Einbettungsraum. Mithilfe einer MAE-Architektur (Masked Autoencoder) lernt es die zugrunde liegenden Korrelationen zwischen verschiedenen Kanälen und erreicht so eine effiziente Abstimmung von Diagnose- und Steuerungsdatenströmen. Dies ist ein Vorreiter bei der Integration groß angelegter KI-Modelle im Bereich der Fusionsenergie.
Papieradresse:
https://arxiv.org/abs/2509.12945

Es besteht kein Zweifel daran, dass künstliche Intelligenz zu einer unverzichtbaren Kraft auf dem Weg wird, die „idealste Energiequelle – die Kernfusionsenergie“ Wirklichkeit werden zu lassen.

Quellen:
1.https://news.mit.edu/2025/new-prediction-model-could-improve-reliability-fusion-power-plants-1007