PACMAN实现等离子体控制
摘要
Princeton Plasma Physics Laboratory与Princeton University开发模块化机器学习框架PACMAN，并在DIII-D完成测试。该系统可在约20毫秒内整合多类预测模型与控制器，实时操控回旋管、等离子体密度和旋转，并能提前约200毫秒预测撕裂模，为聚变装置快速智能控制提供通用基础设施。
Princeton Plasma Physics Laboratory宣布，该实验室研究人员与Princeton University合作开发了一种用于托卡马克系统预测与控制的通用算法，并已在DIII-D上进行了测试，相关成果发表于近期的Nuclear Fusion论文。
论文指出，目前用于聚变装置的大多数机器学习（ML）工具都是作为独立演示系统实施的，例如用于预测等离子体剖面或抑制某种不稳定性。PPPL的项目提供了一个框架，旨在将这些彼此独立的模型纳入一个集成系统。团队将其称为PACMAN（利用机器学习进行预测与控制）。
这项工作建立在一项研究基础之上，该研究旨在为École Polytechnique Fédérale de Lausanne（EPFL）的变构托卡马克（tokamak à configuration variable；variable configuration tokamak；TCV）上的标准控制器开发集成控制和执行器共享框架。
端到端实施：PACMAN由四个模块组成，整个流程从采集诊断数据开始，一直到对依据模型计算结果进行的自动调整实施后处理。
这一流程始于实时测量托卡马克内部的状态，包括温度、密度和磁信号。随后，这些数据会被输入一系列机器学习模型。
论文指出，PACMAN采用模块化和灵活化设计，因此能够支持多种模型，其目标是将许多现有模型以及未来可能出现的、具有不同功能的模型和控制器统一纳入该框架。研究人员认为，这些特性还将使PACMAN能够轻松适配DIII-D以外的其他托卡马克。
“PACMAN采用灵活的配置方式，可以将作为构建模块的人工智能算法组合起来。你可以添加新算法、替换某个算法，或者同时运行多个算法，而无需改动系统的其他部分。”Princeton University机械与航空航天工程副教授Egemen Kolemen说。他同时受聘于Andlinger Center for Energy and the Environment和PPPL。“正是这种模块化特性，使人工智能等离子体控制从一系列一次性演示转变为整个聚变界都可以在其基础上继续发展的基础设施。”
目前，PACMAN包括物理程序的机器学习替代模型、事件预测模型、等离子体剖面预测模型等。
模型输出会被发送至控制器模块。该模块决定如何将这些信息转化为控制等离子体的可执行步骤，同时通过用户设定的最小值和最大值，避免控制器出现不希望发生或不安全的行为。随后，相关指令会发送至执行器，由其实施调整。
“整个PACMAN框架通常可在约20毫秒内完成一次运行，而且它并非只运行一次，而是不断反复运行。它能够观察到等离子体中发生的细微变化，并以人类永远无法做到的方式进行调整。”Princeton University机械与航空航天工程系研究生Andy Rothstein说，“我们开发这个框架，是为了让模型之间能够通信、共享模型输出，并让我们能够在一个集成系统中开展令人振奋的物理研究。”
实验测试：PPPL团队在DIII-D上部署了PACMAN，并测试了若干场景。
据PPPL称，PACMAN能够全面控制DIII-D的6台回旋管，预测撕裂模以及等离子体边缘突然迸发的能量，探测并控制等离子体中由快粒子驱动的波，并调整等离子体的密度和旋转。
快速预测等离子体行为的能力可以显著改善装置性能。例如，传统控制器只能在撕裂模出现后将其探测出来，因此，当抑制措施开始发挥作用时，系统已经处于追赶状态，这可能造成严重的性能下降。
“机器学习模型能够很好地描述等离子体行为。更重要的是，它们是我们目前唯一能够在毫秒时间尺度上对等离子体进行建模的方法。这些模型的速度是实现控制的关键。”Princeton Program in Plasma Physics研究生Hiro Farre Kaga说，“在我们介绍的一项实验中，机器学习模型能够提前约200毫秒预测撕裂模，因此可以预先改变等离子体状态，从一开始就避免撕裂模出现。”