一台核融合装置内、プラズマの温度は太陽の中心を超える高温に達し、強力な磁場がそれを小さく不安定な空間に圧縮します。これらの極端な条件は核融合を行うために必要ですが、同時に装置自体が微妙に動く可能性もあります。サンディエゴにあるDIII-D国家核融合施設では、プラズマを囲む大型の磁石の微小な変動さえも実験に影響を与えることがあります。現在、研究者たちはこれらの変化から学び、次回の実験における装置のハードウェアのパフォーマンスを予測する機械学習システムを開発しました。
テストでは、この方法によって予測誤差が80%削減され、従来の静的な機械学習モデルと比較して、人工知能が核融合研究において操作ツールに近づくことができるようになりました。これは、最近のリアルタイムプラズマ制御における人工知能の使用に類似しています。研究者の一人であるジェファーソン研究所のデータサイエンティスト、キシャン・ラジプットは、「我々が開発した技術は、核融合研究者が実際の問題が発生する前に潜在的な問題を発見するのに役立ちます。」と述べています。
DIII-Dはトカマク装置で、ドーナツ型をしており、強力な磁場を利用して超高温プラズマを制限します。そのD形断面は環状場（TF）コイルの大型磁石環に囲まれています。これらのコイルは厳格な工学的公差に従って構築され、固定されていますが、完全に静止しているわけではありません。プラズマの安定性が異なる実験や「撮影」の間で変化するにつれて、これらのコイルはわずかに動く可能性があります。ラジプットは、「実験中にこれらのコイルの動きを予測し、特定の撮影の安定性や問題が発生する可能性を理解したい」と付け加えました。
しかし、この動きを記述するデータは時間とともに変化します。これが従来の機械学習に対する課題を生み出します。昨日のデータを使用して訓練されたモデルは、実際には明日のデータが同様に動作することを仮定しています。しかし、ラジプットは「プラズマの挙動は常に変化するため、TFコイルデータは異なる撮影の間で大きなドリフトが存在します。歴史的データに依存してモデルを訓練し、更新を行わない場合、それは信頼性が低い可能性があります。」と説明しています。
DIII-Dチームが開発した機械学習システムが予測精度を大幅に向上
DIII-Dチームは、より柔軟なソリューションを求めています。彼らは、撮影の間に継続的に更新されるTFコイルシステムの仮想バージョンを望み、次回の状況を予測したいと考えています。彼らの最新の研究では、ラジプットと彼の同僚たちは、オンライン学習を通じて訓練された深層神経ネットワークを使用する方法を提案しました。このオンライン学習は、一度きりのモデル訓練ではなく、新しい情報をシステムに継続的に入力し、条件の変化に応じて調整できるようにします。研究者たちはこのアイデアをさらに発展させました。彼らは単一のモデルに依存するのではなく、異なる歴史的時間範囲に基づいて訓練された複数のモデルを含むオンライン統合を作成しました。
これは重要です。なぜなら、核融合装置の変化の速度はさまざまであるからです。一部のモデルは突発的な変化に対処するのに適しており、他のモデルはより遅い、段階的な変化を捉えることができます。中間の時間範囲をカバーするモデルは、それらの間のギャップを埋めます。
しかし、もう一つの問題があります。予測過程において、システムはその予測が正しいかどうかを明確に理解していません。研究者たちは、各予測に不確実性の推定を提供することでこの問題を解決しました。これは本質的にモデルの信頼性を測る指標です。この統合システムは、より狭く、より信頼性の高い不確実性範囲を生成するモデルにより多くの影響力を与えます。最終的な結果は、このシステムがオペレーターに何が起こると考えているかを伝えるだけでなく、その予測を信頼する程度の指示も提供することです。結果は非常に顕著でした。静的な機械学習モデルと比較して、オンライン学習は予測誤差を80%削減しました。
不確実性に基づく統合は、標準の単一モデルオンライン学習と比較して、誤差を約10%さらに削減し、運用上の意思決定をサポートする不確実性の推定を提供しました。
研究者たちはこのシステムをDIII-Dの環状場コイルシステムのデジタルツインとして説明しています。これは情報を提供する仮想コピーであり、実際の装置の反応を予測するために使用されます。ラジプットは「我々は、ある意味で仮想コピーを作成しました。さまざまなパラメータをこの仮想コピーに提供することで、実際の装置で実行することができます。」と述べています。これはDIII-Dに特に役立ちます。なぜなら、撮影は約10分ごとに行われるからです。この実験間の短い間隔は、オペレーターに予期しないハードウェアの動作を調査する時間をほとんど与えません。
次回の撮影前にコイルの動きを予測することで、彼らは小さな問題が大きな問題に発展する前にプラズマパラメータを修正したり、メンテナンスを行ったりすることができます。DIII-Dは、核融合プラズマ内部の危険な挙動を制御する他の研究でも重要な役割を果たしています。研究者たちは数年分のデータを利用してこのシステムを運用し、より稀なイベントに遭遇し、不確実性の推定を改善することを望んでいます。また、装置の変化に伴い、モデル自体がどのように進化するかを理解したいと考えています。ラジプットは「人々はAIモデルの内部で何が起こっているのかを理解したいと思っています。いわゆる‘ブラックボックス’ではなく。」と付け加えました。
これは最優先事項です。なぜなら、信頼を築くことができるからです。」
現在、このフレームワークはDIII-Dでの展開に準備が整ったと考えられており、他の核融合装置にも適応できる可能性があります。そうなれば、人工知能は核融合実験の分析を超え、次の実験が開始する準備が整っているかどうかを決定する機械の一部になるかもしれません。研究者たちが、複雑な核融合シミュレーションを加速し、トカマク内のプラズマ制御を改善するために人工知能の応用をますます探求する中で、この展望はさらに魅力的です。この研究は『機械学習と応用』誌に発表されました。