[论文解读] 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 9

一句话总结

本文提出使用卷积神经网络（CNNs）实现核聚变反应堆中实时2D离子体剖面重建，以及使用循环神经网络（RNNs）实现早期破坏预测。模型基于JET托卡马克实验数据，在NVIDIA GPU上进行训练，破坏预测分类准确率达85.5%，平均预警时间为929毫秒，显著优于现有系统，展示了深度学习在加速聚变研究和实现实时控制方面的潜力。

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.

研究动机与目标

• 解决传统断层成像重建在聚变诊断中计算瓶颈的问题，其重建时间长达一小时。
• 实现实时等离子体剖面重建与破坏预测，以支持托卡马克装置的运行安全与控制。
• 用基于高保真JET诊断数据训练的深度学习模型，替代缓慢的迭代优化方法。
• 相比现有系统（如APODIS，仅提供350毫秒平均预警时间），提高破坏预测的准确率与预警时间。
• 展示在现代GPU硬件上，通过GPU加速实现端到端深度学习模型在后处理与实时聚变数据分析中部署的可行性。

提出的方法

• 训练了一个基于2D U-Net的卷积神经网络（CNN），从线积分式辐射计测量数据中重建等离子体辐射剖面。
• 利用JET装置的水平与垂直辐射计相机，每台相机提供128条视线上下文数据，作为CNN的输入数据。
• 采用带有跳跃连接的U-Net架构，以保留空间分辨率并提升重建保真度。
• 基于JET诊断的时间序列数据，训练一个基于LSTM的RNN，以提前数秒预测等离子体破坏。
• 通过两个阈值定义破坏预测：破坏概率（prd ≥ 0.85）与破坏剩余时间（ttd ≤ 1.5 s）用于触发报警。
• 通过调整报警阈值以平衡误报与漏报，推理过程在NVIDIA Tesla T4 GPU上执行。

实验结果

研究问题

• RQ1 深度学习能否在聚变诊断中替代传统迭代断层成像重建方法，将计算时间从数小时缩短至毫秒级？
• RQ2 RNN在托卡马克中能多大程度上实现足够提前时间的等离子体破坏预测，以支持缓解措施？
• RQ3 基于深度学习的破坏预测性能与现有系统（如APODIS）相比，在准确率与预警时间方面表现如何？
• RQ4 在调整预测阈值时，误报率与漏报破坏预测之间存在何种权衡？
• RQ5 基于现代GPU硬件，端到端深度学习模型能否实现实时部署以支持聚变反应堆控制？

主要发现

• 基于CNN的等离子体重建模型将重建时间从最长一小时缩短至1秒以内，实现了实时或近实时等离子体监测。
• 基于RNN的破坏预测模型在验证数据上达到85.5%的分类准确率，当使用prd ≥ 0.95与ttd ≤ 0.5 s阈值时，平均预警时间为929毫秒。
• 当使用prd ≥ 0.85与ttd ≤ 1.5 s时，模型将漏报率降至4.4%，误报率降至10.1%，展现出强大的预测能力。
• 平均预警时间超过当前APODIS系统（350毫秒），更高阈值可实现更早预警——最多提前1.3秒。
• 该系统在误报与漏报之间的权衡表现与现有方法相当或更优，且可根据运行需求进行调优。
• 结果表明，借助GPU加速推理，深度学习可有效部署于聚变数据的后处理与实时分析中。