机器学习框架预测托卡马克硬件漂移

在位于加利福尼亚州圣地亚哥附近的DIII-D国家聚变设施——北美最大的在运托卡马克所在地，Thomas Jefferson国家加速器设施的研究人员致力于开发一种机器学习框架，能够自适应地预测托卡马克硬件的变化。

该团队的研究最近发表在《Machine Learning with Applications》期刊上。

方法：Jefferson实验室的科学家与University of Houston、General Atomics和Pacific Northwest National Laboratory的研究人员合作，构建了DIII-D环向场线圈系统的数字孪生。根据论文所述，“机器学习通常假设训练数据与测试或推理数据集是独立同分布的。然而，在以流式或非平稳数据为特征的环境中，例如聚变实验，数据分布会随时间变化，这一前提往往不成立。”

该团队希望找到一种方法，预测环向场线圈在连续多次实验（即放电）压力作用下随时间推移的移动情况。

“环向场线圈数据在逐次放电之间存在大量漂移，因为等离子体的行为总是在变化，”该研究的第一作者、Jefferson实验室的Kishan Rajput表示。“如果只用历史数据训练模型，并试图在没有任何更新的情况下使用它，那很可能不可靠。”

该团队创建的框架使用深度神经网络和一种机器学习方法，能够随着数据的到来持续适应。据Jefferson实验室称，这项研究是聚变科学领域首个针对漂移数据流的研究。

应用：“我们开发的技术将帮助聚变研究人员在问题实际发生在物理机器上之前发现它们，”Rajput说。“这让我们离将人工智能用于聚变诊断运行更近了一步。”

与静态机器学习模型相比，这种新颖的在线学习方法将预测误差降低了80%。新模型还纳入了不确定性量化，以辅助下游决策，并进一步将误差降低了10%。

接下来，Rajput希望利用多年的数据训练该框架，以改进不确定性量化。“从我们考虑的所有方面——不确定性量化、确保漂移被适应的自适应机制、时间方面的约束——这些都表明它可用于实际运行，”他说。“这对聚变领域来说是全新的。”

在此之前，该框架已可用于DIII-D，并且也适用于其他聚变装置。