Teknologi AI untuk Prediksi dan Manipulasi Perilaku Plasma Fusi Nuklir secara Real-Time

Prediksi dan manipulasi perilaku plasma fusi nuklir secara real-time menggunakan AI

• Super-resolusi multimodal: Sistem kompleks nonlinier yang diatur oleh berbagai skala fisika spasial dan temporal tidak dapat sepenuhnya dipahami dengan satu diagnosis saja. Menggabungkan beberapa diagnosis menghasilkan proyeksi yang tidak lengkap atas fisika sistem. Kesenjangan ini dapat dijembatani dengan mengidentifikasi korelasi tersembunyi. Untuk itu, diperkenalkan metodologi pembelajaran mesin yang inovatif. Metodologi ini membantu menangani ketidakstabilan plasma seperti edge localized modes (ELM).

• Kontrol profil RT melalui pembelajaran mesin: Untuk mengendalikan plasma dalam tokamak, digunakan berbagai "aktuator". Kontrol prediktif model dapat meningkatkan tingkat keberhasilan eksperimen fisika dan menghemat waktu. Karena model fisika real-time tidak selalu akurat, dikembangkan model pembelajaran mesin yang menghasilkan prediksi dalam waktu kurang dari 100 mikrodetik hanya dengan menggunakan diagnosis real-time.

Pemantauan perilaku plasma melalui diagnosis resolusi tinggi

• Deteksi dan klasifikasi ketidakstabilan: Dilakukan penelitian untuk mendeteksi dan mengklasifikasikan ketidakstabilan di inti plasma berdasarkan sinyal emisi siklotron elektron. Dengan menggunakan model pembelajaran mesin seperti Reservoir Computing Networks, terbukti efektif untuk pemrosesan data deret waktu.

• Peningkatan akurasi dan cakupan data diagnosis: Akurasi dan cakupan data diagnosis penting untuk memahami kinerja optimal perangkat penelitian fusi dan reaktor. Melalui pendekatan berbasis pembelajaran mesin, sinyal diagnosis direproduksi dan visualisasi sinyal ditingkatkan.

Validasi silang dan verifikasi basis data skala besar untuk model transport tokamak

• Meningkatkan keandalan prediksi transport tokamak: Signifikansi statistik diperoleh menggunakan pelepasan DIII-D, sehingga meningkatkan keandalan model prediktif. Solver transport 1D ASTRA dan TRANSP diverifikasi dan menunjukkan akurasi tinggi dalam memprediksi energi tersimpan, tetapi tidak memiliki keunggulan statistik dibandingkan model empiris sederhana dalam prediksi profil suhu plasma.

Pemisahan radiasi divertor yang stabil melalui proksi front emisi karbon-III real-time

• Pemisahan divertor yang stabil: Memungkinkan tokamak mempertahankan confinemen yang baik sambil mencegah kerusakan pelat divertor akibat fluks panas berlebih. Dengan menggunakan algoritma pembelajaran mesin, nilai pemisahan dapat dicari secara langsung dari mana saja di dalam tokamak, dan sinyal aktuasi dapat disesuaikan bila diperlukan.