«Апостериори»: Систему на основе искусственного интеллекта использовали для управления плазмой в термоядерной установке

Новости науки и технологий

Поддержите «Эхо», если вы не в России

Исследователи из Принстонского университета и Принстонской лаборатории физики плазмы разработали систему прогнозирования и контроля с использованием искусственного интеллекта, которая получила название PACMAN – Prediction And Control using MAchiNe learning. Она позволяет использовать разные модели машинного обучения для анализа состояния плазмы и управления оборудованием токамака во время эксперимента. Работа опубликована 2 июля 2026 года в журнале Nuclear Fusion.

Токамак – один из вариантов установки для осуществления термоядерного синтеза. Он удерживает горячую плазму с помощью магнитного поля. Для термоядерного реактора недостаточно просто нагреть плазму до необходимой температуры – её состояние необходимо постоянно контролировать. Плотность, температура, распределение тока и различные неустойчивости могут меняться за миллисекунды. Поэтому современные токамаки используют системы обратной связи, которые получают данные от диагностических приборов и в реальном времени изменяют нагрев, магнитные поля или подачу газа. В зависимости от процесса время реакции системы может составлять от нескольких миллисекунд до сотен миллисекунд.

В последние годы для таких задач всё чаще используют машинное обучение. Например, нейросети могут прогнозировать возникновение неустойчивостей или рассчитывать параметры плазмы значительно быстрее сложных физических моделей. Однако до сих пор большинство подобных систем создавалось для отдельных экспериментов и работало независимо друг от друга. PACMAN должен решить именно эту проблему: предоставить общую инфраструктуру, в которую можно подключать разные модели и контроллеры.

Работа системы состоит из четырёх основных этапов. Сначала она получает данные от диагностических приборов и предварительно их обрабатывает. Затем эти данные поступают в модель – например, нейросеть, которая оценивает состояние плазмы или прогнозирует вероятность возникновения неустойчивости. Следующий блок принимает решение о необходимом воздействии. Наконец, система преобразует это решение в команды оборудованию.

При этом система искусственного интеллекта не обязательно управляет токамаком. В некоторых случаях нейросеть только делает прогноз, а дальнейшее решение принимает обычный алгоритм управления. Такое разделение позволяет одновременно использовать преимущества машинного обучения и уже проверенные методы автоматического управления.

Авторы испытали архитектуру на токамаке DIII-D сразу в нескольких экспериментальных сценариях.

В одном из них использовалось обучение с подкреплением. Модель должна была одновременно поддерживать заданное значение нормализованного давления плазмы и создавать внутренние транспортные барьеры – области, в которых перенос тепла и частиц уменьшается и поэтому плазма лучше удерживает энергию. Полный цикл управления занимал около 50 миллисекунд – меньше характерного времени удержания энергии в этом режиме.

В другом эксперименте машинное обучение использовали для прогнозирования так называемых tearing modes – магнитогидродинамических неустойчивостей, способных ухудшить удержание плазмы. Модель в реальном времени оценивала вероятность возникновения такой неустойчивости. Если она превышала определённый порог, система заранее перенаправляла электронно-циклотронный нагрев в область плазмы, где можно было подавить развивающуюся моду.

Ещё одна модель прогнозировала появление ELM – коротких выбросов энергии с края плазмы. Для этого она анализировала сразу несколько диагностических сигналов, включая колебания плотности, температурные градиенты и параметры нагрева. В данном случае PACMAN сам не управлял исполнительными системами: он вычислял вероятность ELM примерно каждые две миллисекунды и передавал её внешнему контроллеру.

Однако PACMAN пока подходит не для всех задач. Его рабочий цикл составляет примерно от одной до 50 миллисекунд. Этого достаточно для большинства используемых авторами способов воздействия на плазму, но некоторые опасные процессы могут развиваться быстрее. Например, вертикальная неустойчивость способна привести к срыву плазмы за время меньше миллисекунды, поэтому для её подавления эта система не предназначена.

Главным результатом работы авторы считают не отдельный алгоритм машинного обучения, а возможность объединить разные модели и методы управления в одной системе. Помимо пяти экспериментов, подробно рассмотренных в статье, PACMAN уже применялся ещё как минимум в четырёх сценариях на DIII-D. В дальнейшем исследователи планируют запускать несколько моделей параллельно. Это должно позволить системе быстрее обрабатывать данные и одновременно контролировать больше параметров плазмы.