リアルタイム核融合プラズマ挙動の予測と操作のためのAI技術

AIを用いたリアルタイム核融合プラズマ挙動の予測と操作

• マルチモーダル超解像: 複数の空間的・時間的な物理スケールに支配される非線形複合システムは、単一の診断だけでは完全に理解できない。複数の診断を組み合わせると、システム物理の不完全な投影が生じる。隠れた相互相関を特定することで、こうしたギャップを埋めることが可能である。このために革新的な機械学習手法が導入された。この手法は、エッジ局在モード（ELM）のようなプラズマ不安定性への対処に役立つ。

• 機械学習によるRTプロファイル制御: トカマクでプラズマを制御するために、さまざまな「アクチュエータ」を使用する。モデル予測制御により、物理実験の成功率を高め、時間を節約できる。リアルタイム物理モデルは常に正確とは限らないため、リアルタイム診断のみを用いて100マイクロ秒以内に予測を生成する機械学習モデルを開発した。

高解像度診断によるプラズマ挙動のモニタリング

• 不安定性の検出と分類: 電子サイクロトロン放射信号に基づいて、プラズマコアの不安定性を検出・分類する研究が進められている。Reservoir Computing Networks などの機械学習モデルを使用し、時系列データ処理に効果的であることが実証された。

• 診断データの精度と範囲の向上: 診断データの精度と範囲は、核融合研究装置および原子炉の最適な性能を理解するうえで重要である。機械学習ベースのアプローチにより、診断信号を再現し、信号の可視化を向上させる。

トカマク輸送モデルの大規模データベース交差検証と検証

• トカマク輸送予測の信頼性向上: DIII-D放電を使用して統計的有意性を確保し、予測モデルの信頼性を高める。1D輸送ソルバー ASTRA と TRANSP を検証した結果、蓄積エネルギーの予測では高い精度を示したが、プラズマ温度プロファイルの予測では、単純な経験的モデルと比べて統計的な優位性はなかった。

リアルタイムCarbon-III放射前面プロキシによる安定したダイバータ放射分離

• 安定したダイバータ分離: トカマクが過剰な熱フラックスによるダイバータプレート損傷を防ぎながら、良好な閉じ込めを維持できるようにする。機械学習アルゴリズムを用いることで、トカマク内のどこからでも分離値を直接求め、必要に応じてアクチュエーション信号を調整できる。