Multi-Timescale Dynamics Model Bayesian Optimization for Plasma Stabilization in Tokamaks

要約

機械学習アルゴリズムは、多くの場合、複雑な現実世界システムを制御するのに苦労しています。
核融合の場合、ダイナミクスが複雑であり、データが貧弱であり、ハードウェアは障害の影響を受け、実験は実験の持続時間を超えてダイナミクスに影響を与えるため、これらの課題は悪化します。
強化学習、監視された学習、ベイズの最適化などの既存のツールは、これらの課題のいくつかに対処していますが、包括的なソリューションを提供しません。
これらの制限を克服するために、高周波データ駆動型のダイナミクスモデルを低周波ガウスプロセスと統合するマルチスケールのベイジアン最適化アプローチを提示します。
実験間のガウスプロセスを更新することにより、この方法は新しいデータに迅速に適応し、信頼性の低い動的モデルの予測を改善します。
DIII-D核融合プラントの不安定性を引き裂くことにより、アプローチを検証します。
履歴データのオフラインテストは、この方法がいくつかのベースラインを大幅に上回ることを示しています。
不安定性が発生しやすい高性能プラズマシナリオの下で実施されたDIII-Dトカマックでのライブ実験の結果は、50％の成功率を示し、過去の結果に対する117％の改善を示しています。

要約(オリジナル)

Machine learning algorithms often struggle to control complex real-world systems. In the case of nuclear fusion, these challenges are exacerbated, as the dynamics are notoriously complex, data is poor, hardware is subject to failures, and experiments often affect dynamics beyond the experiment’s duration. Existing tools like reinforcement learning, supervised learning, and Bayesian optimization address some of these challenges but fail to provide a comprehensive solution. To overcome these limitations, we present a multi-scale Bayesian optimization approach that integrates a high-frequency data-driven dynamics model with a low-frequency Gaussian process. By updating the Gaussian process between experiments, the method rapidly adapts to new data, refining the predictions of the less reliable dynamical model. We validate our approach by controlling tearing instabilities in the DIII-D nuclear fusion plant. Offline testing on historical data shows that our method significantly outperforms several baselines. Results on live experiments on the DIII-D tokamak, conducted under high-performance plasma scenarios prone to instabilities, shows a 50% success rate, marking a 117% improvement over historical outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google