Real-time virtual circuits for plasma shape control via neural network surrogates

Motivation

• Known: Tokamak plasma shape control은 정확한 magnetic shape 유지를 위해 poloidal field (PF) coil 전류를 실시간으로 조정해야 하며, 전통적 방식은 미리 계산된 VC schedule을 사용한다. Virtual circuits (VCs)는 poloidal field coil 전류 변화를 plasma shape 파라미터에 매핑하는 행렬로, 각 shape parameter를 독립적으로 변경할 수 있게 한다. 신경망을 이용한 VC 에뮬레이션은 이전 연구에서 정적 검증으로 정확성이 입증되었다.
• Gap: 기존 연구는 합성 equilibria를 대상으로 한 정적 검증(static validation)만 수행했으며, 실제 closed-loop 제어 환경에서의 동적 검증(dynamic validation)이 부족하다. 특히 passive conducting structure의 currents 변화, PCS 내 다른 controllers와의 상호작용, 측정 불확실성, 변동하는 업데이트 주파수 등 실시간 적용 환경의 복잡성에 대한 견고성 검증이 필요했다.
• Why: Tokamak fusion 기술의 상용화를 위해서는 정확하고 빠른 plasma shape control이 필수적이며, 신경망 기반 emulation은 sub-millisecond 지연으로 실시간 제어를 가능하게 한다. 실제 tokamak 운전 환경의 복잡한 동적 특성을 반영한 검증이 곧 실제 배포로 이어지는 중요한 단계이다.
• Approach: 저자들은 선행 연구의 neural network 모델을 FreeGSNKE Pulse Design Tool (FPDT)의 virtual PCS에 통합하여 closed-loop 시뮬레이션을 수행했다. FPDT는 evolutive plasma simulator와 virtual PCS를 결합하여 plasma current, shape parameters, vertical position을 동시에 제어하며, coil currents와 voltages의 안전 제한을 적용한다. 측정 불확실성과 업데이트 주파수 변동 조건 하에서 robustness 테스트를 실시했다.

Achievement

Fig. 1.

Closed-loop plasma shape control 성공: MAST-U plasma scenarios에서 emulated VCs를 사용한 효과적인 in-silico 제어 달성. 측정 불확실성에 대한 견고성: ±0.5% 측정 오차 조건에서도 shape control 성능 유지. 업데이트 주파수 변동 대응: 다양한 VC 업데이트 빈도에서 안정적 제어 입증. 실시간 배포 준비 완료: Neural network emulated VCs의 MAST-U PCS 실시간 적용 가능성 확립. 정적-동적 검증 연계: Static validation 결과가 dynamic closed-loop 환경으로 성공적으로 확장됨을 보임.

How

Fig. 1.

• Feedforward neural networks로 (Iact, Ip, θ) → P 매핑 학습, finite differences로 sensitivity matrices와 VCs 유도
• 약 900k FreeGSNKE GS solutions로 구성된 large training dataset 사용
• 8개의 최우수 모델 ensemble로 Jacobian 추정
• FPDT의 virtual PCS에 emulated VC 통합, evolutive equilibrium solver와 폐루프 상호작용
• 측정 불확실성(±0.5%) 및 다양한 VC 업데이트 주파수(0.1–10 kHz) 조건에서 robustness 테스트
• MAST-U shot 데이터 기반 plasma scenarios에서 동적 시뮬레이션 검증

Originality

• Dynamic validation 도입: 기존 정적 검증을 폐루프 시뮬레이션 환경으로 확장하여 실제 제어 조건 재현
• Ensemble neural network 기반 VC emulation: 단일 모델 대신 multiple models의 ensemble 사용으로 불확실성 정량화
• Realistic robustness assessment: Passive conductor currents 변화, controller interaction, measurement uncertainty를 종합적으로 고려한 검증
• FreeGSNKE-PCS coupling framework: Evolutive equilibrium solver와 virtual PCS의 integrated 시뮬레이션 플랫폼 구축

Limitation & Further Study

• Passive current 의존성 미모델링: 신경망이 passive currents (Ipas)의 의존성을 학습하지 않는데, 향후 Ipas 추정 기능 추가 시 모델 재학습 필요
• 제한된 operational space: ~900k 합성 equilibria 기반 학습으로 미경험 영역에 대한 extrapolation 성능 불명확
• Current profile 고정 가정: Plasma current density profile parameters (θ)가 미리 규정되어 있어 complex profile evolution 미반영
• 측정 불확실성의 단순 모델링: ±0.5% Gaussian noise만 고려, 실제 진단 시스템의 상관관계 있는 오류 미포함
• 단일 tokamak 검증: MAST-U 중심으로만 검증되어 다른 tokamak 플랫폼으로의 전이 가능성 미검증
• 대기 시간 미포함: Passive structure의 eddy current와 controller delay를 완전히 모델링하지 않은 영향 평가 부족

Evaluation

총평: 본 논문은 neural network emulated virtual circuits의 실시간 tokamak plasma shape control 적용 가능성을 종합적으로 검증한 중요한 기여작이다. Dynamic closed-loop 시뮬레이션 환경에서 측정 불확실성과 변동하는 업데이트 주파수에 대한 견고성을 입증하여 MAST-U 실제 배포로의 경로를 명확히 했으며, 신경망 기반 tokamak 제어의 실용성을 강력히 지지한다.