PACMAN: KI-Framework steuert Fusionsplasma in Echtzeit

In einem Tokamak hält ein starkes Magnetfeld ein extrem heißes, geladenes Gas in der Schwebe. Doch dieses Plasma reagiert launisch: Störungen bauen sich innerhalb weniger Millisekunden auf, schneller als jeder Mensch eingreifen kann. Forscher:innen der Princeton University und des Princeton Plasma Physics Laboratory (PPPL) haben nun mit PACMAN ein KI-Framework entwickelt, das mehrere maschinelle Lernmodelle in einem gemeinsamen Regelkreis vereint und am DIII-D-Tokamak in San Diego in fünf Experimenten erprobt hat.

Bild: Kyle Palmer / PPPL Communications Department

Ein Fließband aus vier Stationen

PACMAN, ausgeschrieben Prediction And Control using MAchiNe learning, funktioniert wie eine Fertigungsstraße. Zunächst sammelt das System sämtliche Echtzeitmessungen der Anlage, etwa Temperaturen, Dichten und Magnetsignale, und prüft sie auf Fehler. Anschließend schätzen KI-Modelle den aktuellen oder bevorstehenden Plasmazustand ab. Regelalgorithmen berechnen daraus passende Befehle, etwa das Hochfahren einer Heizquelle. Eine letzte Stufe löst widersprüchliche Kommandos auf, erzwingt feste Sicherheitsgrenzen und leitet die Befehle an die Anlage weiter. Weil jedes Modell unabhängig arbeitet, lassen sich neue Bausteine ergänzen, ohne den Rest der Kette anzutasten. Ein kompletter Durchlauf dauert nach Angaben des Teams rund zwanzig Millisekunden, ein Tempo, das laut Mitautor Andy Rothstein von der Princeton University kein Mensch erreicht: Ein fokussierter Operator brauche für eine Reaktion mehrere Sekunden.

Fünf Tests an einer realen Fusionsanlage

Am DIII-D-Tokamak übernahm ein per Verstärkungslernen trainiertes Modell die vollständige Steuerung der Heizsysteme. Weitere Anwendungen sagten plötzliche Energieausbrüche am Plasmarand voraus, erkannten und dämpften von schnellen Teilchen angeregte Plasmawellen und passten Dichte und Rotation an vorgegebene Zielwerte an. Besonders bemerkenswert war die Vorhersage sogenannter Tearing Modes, magnetischer Instabilitäten, die bislang erst nach ihrem Auftreten unterdrückt werden konnten. Laut Mitautor Hiro Farre Kaga erkannte ein Modell eine solche Instabilität rund 200 Millisekunden im Voraus, sodass sich das Plasma bereits vorher anpassen ließ, statt die Störung nachträglich zu bekämpfen. In einem weiteren Versuch steuerte PACMAN gleichzeitig alle sechs Gyrotrons der Anlage, die das Plasma mit Mikrowellen heizen, und passte Spiegelausrichtung sowie Leistung in Echtzeit an ein vorgegebenes Ziel an. Für diese komplexe Koordination habe es laut Farre Kaga bislang keinen passenden Algorithmus gegeben.

Schneller entwickeln, aber Menschen behalten die Kontrolle

Für Rothstein lag die größte Überraschung im Entwicklungstempo. Der Aufbau von PACMAN und die Integration des ersten Modells zogen sich über Monate hin, das zweite Modell war dagegen innerhalb weniger Tage einsatzbereit. Diese Geschwindigkeit erlaubt Iterationen, die zuvor nicht möglich waren, denn ein neues Modell lässt sich innerhalb einer Woche testen und in der folgenden Woche bereits ersetzen. Trotzdem bleibt die Steuerung nicht sich selbst überlassen: Feste Sicherheitsgrenzen begrenzen jeden KI-Vorschlag, und Physiker:innen prüfen jedes Experiment, um die Regler für den nächsten Durchlauf nachzujustieren. Farre Kaga betont, dass am Ende immer ein menschlicher Operator die Parameter für die Steuerung festlegt, unabhängig davon, wie ausgefeilt die Regler arbeiten.

Weil die Architektur modular aufgebaut ist, halten die Forscher:innen um Egemen Kolemen den Ansatz für übertragbar auf Tokamaks unterschiedlicher Größe und Bauart, auch auf Anlagen, die noch gar nicht existieren. Als Nächstes wollen die Autor:innen die Modell- und Reglerblöcke parallel statt nacheinander ausführen und prüfen, ob Grafikprozessoren oder FPGAs die Berechnungen weiter beschleunigen können.

via Princeton Plasma Physics Laboratory