AI voorspelt bewegingen in fusiereactor en verlaagt foutmarge met 80 procent

In een tokamak ontstaan de omstandigheden voor kernfusie door plasma in te sluiten met sterke magneten, bij temperaturen die heter zijn dan de kern van de zon. Bij de DIII-D National Fusion Facility in San Diego blijkt dat zelfs de zware ringmagneten rond het plasma, de zogeheten toroidal field-coils, tijdens experimenten lichtjes verschuiven. Die kleine bewegingen kunnen een 'shot', zoals een experiment wordt genoemd, beïnvloeden. Bij DIII-D volgen shots elkaar ongeveer elke tien minuten op, waardoor operators weinig tijd hebben om onverwacht gedrag van de hardware te onderzoeken.

Elk experiment is anders

Het probleem is dat gewone machine-learningmodellen worden getraind op historische data en ervan uitgaan dat toekomstige metingen op dezelfde manier verlopen. Bij DIII-D werkt dat niet, omdat het plasma van shot tot shot anders reageert. Een model dat één keer is getraind en daarna niet meer wordt bijgewerkt, is volgens dataspecialist Kishan Rajput van Jefferson Lab daardoor onbetrouwbaar. Hij en zijn collega's ontwikkelden daarom een systeem dat continu blijft leren van nieuwe metingen, in plaats van eenmalig te worden getraind.

Meerdere modellen, één antwoord

De onderzoekers gingen nog een stap verder dan één zelflerend model. Ze bouwden een verzameling van meerdere modellen, elk getraind op een andere tijdshorizon uit het verleden. Sommige modellen reageren snel op plotselinge veranderingen, andere leggen juist langzame, geleidelijke trends vast. Omdat het systeem tijdens een voorspelling niet weet of het gelijk heeft, krijgt elke voorspelling ook een inschatting van de onzekerheid mee. Modellen die een nauwkeurigere, smallere onzekerheidsmarge afgeven, krijgen meer gewicht in het uiteindelijke gezamenlijke antwoord.

Het resultaat is aanzienlijk: continu leren alleen al verlaagde de voorspelfout met 80 procent ten opzichte van een standaard statisch model. De combinatie van meerdere modellen met onzekerheidsschatting zorgde voor nog eens ongeveer 10 procent extra verbetering, en levert operators bovendien een maat voor betrouwbaarheid.

Een digitale tweeling van de reactor

De onderzoekers noemen hun systeem een digital twin van het magneetsysteem: een virtuele kopie waarmee ze vooraf kunnen doorrekenen hoe de echte machine op verschillende instellingen zal reageren. Dat kan operators helpen om plasma-instellingen aan te passen of onderhoud te plannen voordat een klein probleem uitgroeit tot een groter defect. Het team wil het systeem nu testen op jaren aan data om zeldzamere gebeurtenissen te herkennen en beter te begrijpen hoe de modellen zelf veranderen naarmate de machine ouder wordt. Rajput benadrukt dat inzicht in het functioneren van het AI-model, in plaats van een ondoorzichtige 'zwarte doos', essentieel is om vertrouwen op te bouwen bij fusieonderzoekers. Het systeem is volgens de onderzoekers gereed voor inzet bij DIII-D en zou mogelijk ook bij andere fusiemachines toegepast kunnen worden. De studie is gepubliceerd in het tijdschrift Machine Learning with Applications.