Новая система машинного обучения помогает предсказывать неисправности термоядерной установки
Учёные разработали систему машинного обучения, которая способна прогнозировать изменения оборудования термоядерной установки от одного эксперимента к другому. Испытания на установке DIII-D в Сан-Диего показали, что новый подход снизил ошибки прогнозирования на 80 процентов по сравнению с традиционной статической моделью машинного обучения.
DIII-D представляет собой токамак — установку в форме тора, в которой плазма удерживается мощными магнитными полями. Температура плазмы при термоядерных экспериментах может превышать температуру в ядре Солнца. При этом столь экстремальные условия воздействуют не только на плазму, но и на окружающие её элементы конструкции.
В частности, исследователи наблюдали за большими магнитами, называемыми тороидальными катушками. Они расположены вокруг камеры токамака и создают магнитное поле, необходимое для удержания плазмы. Несмотря на то что катушки закреплены с высокой точностью, во время экспериментов они могут немного смещаться.
Характер этих перемещений зависит от состояния плазмы и может меняться от одного эксперимента, или «выстрела», к другому. Поэтому заранее определить, как поведут себя катушки во время следующего запуска, достаточно сложно.
Обычные модели машинного обучения плохо справляются с такой задачей, поскольку обычно обучаются на накопленных исторических данных и предполагают, что будущие условия будут похожи на прошлые. Однако характеристики плазмы постоянно меняются, из-за чего меняется и поведение оборудования.
Исследователи предложили использовать глубокие нейронные сети с онлайн-обучением. В отличие от статической модели, такая система продолжает получать новые данные и корректировать свои прогнозы по мере изменения условий работы установки.
Затем учёные объединили несколько моделей, обученных на данных за разные временные интервалы. Такой ансамбль позволяет учитывать изменения различного масштаба: одна модель быстрее реагирует на резкие изменения, другая лучше распознаёт постепенные долгосрочные тенденции, а остальные учитывают промежуточные процессы.
Для каждого прогноза система также рассчитывает степень неопределённости. Это позволяет оценивать не только предполагаемое положение или перемещение оборудования, но и степень уверенности в полученном результате. При объединении прогнозов больший вес получают модели, которые демонстрируют более узкий и надёжный диапазон неопределённости.
В результате онлайн-обучение снизило ошибку прогнозирования на 80 процентов по сравнению со статическими моделями машинного обучения. Дополнительное использование ансамбля с оценкой неопределённости позволило уменьшить ошибку ещё примерно на 10 процентов по сравнению со стандартным вариантом онлайн-обучения на одной модели.
Исследователи рассматривают разработанную систему как своего рода цифровой двойник системы тороидальных магнитных катушек DIII-D. Виртуальная модель получает параметры реальной установки и на их основе прогнозирует, как оборудование может вести себя во время следующего эксперимента.
Практическое значение такой системы особенно велико из-за высокой частоты экспериментов на DIII-D. Новые «выстрелы» проводятся примерно каждые 10 минут, поэтому у операторов остаётся мало времени для анализа неожиданного поведения оборудования. Если система заранее обнаружит возможную проблему, специалисты смогут изменить параметры плазмы или провести техническое обслуживание до следующего запуска.
В дальнейшем исследователи планируют обучить систему на данных за несколько лет. Это позволит ей столкнуться с более редкими событиями и повысить точность оценки неопределённости. Учёные также хотят понять, как именно меняется работа моделей по мере изменения самой установки.
Отдельное внимание исследователи уделяют интерпретируемости системы. По их словам, операторам важно понимать, почему искусственный интеллект пришёл к определённому выводу, поскольку это повышает доверие к прогнозам и позволяет безопаснее использовать систему в реальных экспериментах.
Разработчики считают, что система уже готова к внедрению на DIII-D. В перспективе аналогичный подход можно адаптировать для других термоядерных установок. Тогда искусственный интеллект сможет не только анализировать результаты экспериментов после их завершения, но и помогать принимать решения о готовности оборудования к следующему запуску.
Исследование в журнале Machine Learning with Applications.