Tecnología de IA para predecir y manipular en tiempo real el comportamiento del plasma de fusión nuclear

Predicción y manipulación en tiempo real del comportamiento del plasma de fusión nuclear mediante IA

• Superresolución multimodal: Los sistemas complejos no lineales gobernados por múltiples escalas físicas espaciales y temporales no pueden comprenderse por completo con un solo diagnóstico. Al combinar varios diagnósticos, se produce una proyección incompleta de la física del sistema. Es posible cerrar esa brecha identificando correlaciones ocultas. Para ello, se introdujo una metodología innovadora de aprendizaje automático. Esta metodología ayuda a abordar inestabilidades del plasma como los modos localizados en el borde (ELM).

• Control de perfiles en tiempo real mediante aprendizaje automático: Para controlar el plasma en un tokamak se utilizan varios "actuadores". El control predictivo basado en modelos puede aumentar la tasa de éxito de los experimentos físicos y ahorrar tiempo. Como los modelos físicos en tiempo real no siempre son precisos, se desarrolló un modelo de aprendizaje automático que genera predicciones en menos de 100 microsegundos usando solo diagnósticos en tiempo real.

Monitoreo del comportamiento del plasma mediante diagnósticos de alta resolución

• Detección y clasificación de inestabilidades: Se lleva a cabo investigación para detectar y clasificar inestabilidades en el núcleo del plasma con base en señales de emisión de ciclotrón electrónico. Se demostró que modelos de aprendizaje automático como las Reservoir Computing Networks son eficaces para procesar datos de series temporales.

• Mejora de la precisión y el alcance de los datos de diagnóstico: La precisión y el alcance de los datos de diagnóstico son importantes para comprender el rendimiento óptimo de los dispositivos y reactores de investigación de fusión nuclear. Mediante enfoques basados en aprendizaje automático, se reproducen señales de diagnóstico y se mejora la visualización de las señales.

Validación cruzada y verificación de grandes bases de datos de modelos de transporte en tokamaks

• Mayor confiabilidad en las predicciones de transporte en tokamaks: Se aseguró significancia estadística usando descargas DIII-D, lo que aumentó la confiabilidad de los modelos predictivos. La validación de los solucionadores de transporte 1D ASTRA y TRANSP mostró alta precisión para predecir la energía almacenada, pero no hubo ventaja estadística frente a modelos empíricos simples en la predicción de perfiles de temperatura del plasma.

Separación estable del divertor mediante un proxy frontal de emisión de carbono-III en tiempo real

• Separación estable del divertor: Esto permite que los tokamaks mantengan un buen confinamiento mientras evitan daños en las placas del divertor causados por un flujo de calor excesivo. Con algoritmos de aprendizaje automático, es posible encontrar directamente valores de separación en cualquier punto dentro del tokamak y ajustar las señales de actuación cuando sea necesario.