Tecnologia de IA para prever e controlar em tempo real o comportamento do plasma de fusão nuclear

Previsão e controle em tempo real do comportamento do plasma de fusão nuclear com IA

• Super-resolução multimodal: sistemas complexos não lineares, governados por múltiplas escalas físicas espaciais e temporais, não podem ser totalmente compreendidos com um único diagnóstico. Ao combinar vários diagnósticos, surgem projeções incompletas da física do sistema. É possível preencher essas lacunas identificando correlações ocultas. Para isso, foi introduzida uma metodologia inovadora de machine learning. Essa metodologia ajuda a lidar com instabilidades do plasma, como os edge-localized modes (ELM).

• Controle de perfil em tempo real com machine learning: vários "atuadores" são usados para controlar o plasma em tokamaks. O controle preditivo por modelo pode aumentar a taxa de sucesso dos experimentos de física e economizar tempo. Como os modelos físicos em tempo real nem sempre são precisos, foram desenvolvidos modelos de machine learning que geram previsões em menos de 100 microssegundos usando apenas diagnósticos em tempo real.

Monitoramento do comportamento do plasma por meio de diagnósticos de alta resolução

• Detecção e classificação de instabilidades: está em andamento uma pesquisa para detectar e classificar instabilidades no núcleo do plasma com base em sinais de emissão ciclotrônica de elétrons. Foi demonstrado que modelos de machine learning, como Reservoir Computing Networks, são eficazes no processamento de dados temporais em séries temporais.

• Melhoria da precisão e do alcance dos dados de diagnóstico: a precisão e o alcance dos dados de diagnóstico são importantes para compreender o desempenho ideal de dispositivos de pesquisa em fusão nuclear e reatores. Com abordagens baseadas em machine learning, é possível reproduzir sinais de diagnóstico e melhorar a visualização dos sinais.

Validação cruzada e verificação de grandes bases de dados de modelos de transporte em tokamaks

• Maior confiabilidade nas previsões de transporte em tokamaks: usando descargas DIII-D para garantir significância estatística, aumentou-se a confiabilidade dos modelos preditivos. A validação dos solvers de transporte 1D ASTRA e TRANSP mostrou alta precisão na previsão da energia armazenada, mas não houve vantagem estatística em relação a modelos empíricos simples na previsão dos perfis de temperatura do plasma.

Separação estável do divertor por meio de um proxy frontal de emissão Carbono-III em tempo real

• Separação estável do divertor: isso permite que os tokamaks mantenham bom confinamento enquanto evitam danos às placas do divertor causados por fluxo de calor excessivo. Com algoritmos de machine learning, é possível encontrar diretamente os valores de separação em qualquer ponto do tokamak e ajustar os sinais de atuação quando necessário.