Low latency optical-based mode tracking with machine learning deployed on FPGAs on a tokamak

要約

磁気閉じ込め核融合装置におけるアクティブフィードバック制御は、プラズマの不安定性を軽減し、堅牢な動作を可能にするために望ましい。
光学高速カメラは強力で非侵襲的な診断を提供するため、これらの用途に適しています。
この研究では、$\textit{in situ}$ フィールド プログラマブル ゲート アレイ (FPGA) ハードウェア上で 100kfps を超える速度で高速カメラ データを処理し、磁気流体力学 (MHD) モードの進化を追跡し、リアルタイムで制御信号を生成します。
私たちのシステムは、カメラ画像を使用して $n$=1 MHD モードの振幅と位相を予測する畳み込みニューラル ネットワーク (CNN) モデルを利用しており、他のテスト済みの非ディープラーニング ベースの方法よりも高い精度で予測します。
このモデルを高速カメラ診断の標準 FPGA 読み出しハードウェア内に直接実装することにより、当社のモード トラッキング システムは、トリガから出力までの合計レイテンシ 17.6$\μ$s と最大 120kfps のスループットを達成します。
高ベータ・トカマク拡張パルス（HBT-EP）実験でのこの研究は、FPGAベースの高速カメラ・データ収集および処理システムを実証し、リアルタイムの機械学習ベースのトカマク診断および制御への応用を可能にし、潜在的な可能性を示します。
他の科学分野への応用。

要約(オリジナル)

Active feedback control in magnetic confinement fusion devices is desirable to mitigate plasma instabilities and enable robust operation. Optical high-speed cameras provide a powerful, non-invasive diagnostic and can be suitable for these applications. In this study, we process fast camera data, at rates exceeding 100kfps, on $\textit{in situ}$ Field Programmable Gate Array (FPGA) hardware to track magnetohydrodynamic (MHD) mode evolution and generate control signals in real-time. Our system utilizes a convolutional neural network (CNN) model which predicts the $n$=1 MHD mode amplitude and phase using camera images with better accuracy than other tested non-deep-learning-based methods. By implementing this model directly within the standard FPGA readout hardware of the high-speed camera diagnostic, our mode tracking system achieves a total trigger-to-output latency of 17.6$\mu$s and a throughput of up to 120kfps. This study at the High Beta Tokamak-Extended Pulse (HBT-EP) experiment demonstrates an FPGA-based high-speed camera data acquisition and processing system, enabling application in real-time machine-learning-based tokamak diagnostic and control as well as potential applications in other scientific domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google