[論文レビュー] Applications of Deep Learning to Nuclear Fusion Research

Diogo R. Ferreira|arXiv (Cornell University)|Nov 1, 2018

Anomaly Detection Techniques and Applications参考文献 30被引用数 9

ひとこと要約

本論文では、核融合炉におけるリアルタイム2次元プラズマプロファイル再構成のための畳み込みニューラルネットワーク（CNN）と、早期破壊予測のための再帰ニューラルネットワーク（RNN）の使用を提案する。NVIDIA GPUを用いてJETトカマクのデータで訓練されたモデルは、破壊予測分類精度85.5％、平均予報時間929 msを達成し、現在のシステムを著しく上回る。深層学習が核融合研究の加速とリアルタイム制御の実現に有効であることが示された。

ABSTRACT

Nuclear fusion is the process that powers the sun, and it is one of the best hopes to achieve a virtually unlimited energy source for the future of humanity. However, reproducing sustainable nuclear fusion reactions here on Earth is a tremendous scientific and technical challenge. Special devices -- called tokamaks -- have been built around the world, with JET (Joint European Torus, in the UK) being the largest tokamak currently in operation. Such devices confine matter and heat it up to extremely high temperatures, creating a plasma where fusion reactions begin to occur. JET has over one hundred diagnostic systems to monitor what happens inside the plasma, and each 30-second experiment (or pulse) generates about 50 GB of data. In this work, we show how convolutional neural networks (CNNs) can be used to reconstruct the 2D plasma profile inside the device based on data coming from those diagnostics. We also discuss how recurrent neural networks (RNNs) can be used to predict plasma disruptions, which are one of the major problems affecting tokamaks today. Training of such networks is done on NVIDIA GPUs.

研究の動機と目的

• プラズマ診断における伝統的なトモグラフィック再構成の計算ボトル neck を解消し、再構成に最大1時間もかかるのを改善すること。
• トカマクにおける運用の安全性と制御を支援するため、リアルタイムでのプラズマプロファイル再構成と破壊予測を可能にすること。
• 遅い反復最適化手法の代わりに、高精度なJET診断データで訓練された深層学習モデルを導入すること。
• APODISのような既存システム（平均予報時間350 ms）と比較して、破壊予測の精度と予報時間を向上させること。
• 最新のGPUアクセラレーションを用いて、深層学習モデルをリアルタイムでの核融合データ分析に適用可能であることを実証すること。

提案手法

• ライン積分ボロメータ測定値からプラズマ放射プロファイルを再構成するため、2次元U-Netベースの畳み込みニューラルネットワーク（CNN）を訓練した。
• JETの水平および垂直ボロメータカメラ（1カメラあたり128本の視線）を用い、CNNの入力データを生成した。
• 空間分解能を保持し、再構成の正確性を向上させるために、スキップ接続を備えたU-Netアーキテクチャを適用した。
• JET診断の時系列データを用いて、RNN（LSTMベース）を訓練し、数秒先までプラズマ破壊を予測した。
• 警報発動のための破壊予測を、2つのしきい値（破壊確率 prd ≥ 0.85 および 残り時間 ttd ≤ 1.5 s）で定義した。
• 誤報と見逃しのバランスを最適化するために、警報しきい値を調整し、推論はNVIDIA Tesla T4 GPUで実行した。

実験結果

リサーチクエスチョン

• RQ1 深層学習は、核融合診断における従来の反復的トモグラフィック再構成手法に置き換え可能であり、1時間から1ミリ秒未満の再構成時間に短縮可能か？
• RQ2 RNNは、是正措置を取るのに十分な余裕時間（リードタイム）を確保して、トカマクでのプラズマ破壊をどれほど正確に予測できるか？
• RQ3 破壊予測の精度と予報時間の観点から、既存システム（APODIS）と比較して、深層学習ベースの破壊予測の性能はどの程度か？
• RQ4 予測しきい値を調整する際、誤報率と見逃しの破壊予測の間にはどのようなトレードオフが生じるか？
• RQ5 最新のGPUハードウェアを用いて、エンドツーエンドの深層学習モデルをリアルタイムでの核融合炉制御に適用可能か？

主な発見

• CNNベースのプラズマ再構成モデルは、再構成時間を最大1時間から1秒未塔に短縮し、リアルタイムまたはニアリアルタイムでのプラズマモニタリングを可能にした。
• RNNベースの破壊予測器は、検証データで85.5％の分類精度を達成し、prd ≥ 0.95 および ttd ≤ 0.5 s というしきい値を用いることで平均929 msの予報時間を達成した。
• prd ≥ 0.85 および ttd ≤ 1.5 s を用いる際、見逃し警報は4.4％、誤報は10.1％にまで低下し、優れた予測能力を示した。
• 平均予報時間は、現在のAPODISシステム（350 ms）を上回り、より高いしきい値を用いることで、最大1.3秒の早期予報が可能となった。
• 誤報と見逃しのバランスは、既存手法と同等または優れており、運用ニーズに応じた調整が可能である。
• 結果として、GPUアクセラレーションを用いた推論により、深層学習モデルが核融合データの後処理およびリアルタイム分析に効果的に適用可能であることが示された。