面向 DIII-D 的集成 AI 控制：一种具有最新实验的控制系统设计
等离子体物理
2025-11-13 v1 系统与控制
系统与控制
摘要
我们展示了面向 DIII-D 的 Prediction And Control using MAchiNe learning (PACMAN) 的通用算法设计与应用。基于机器学习(ML)的预测器和控制器在实现 tearing 模态自由场景、ELM-free 场景和稳定的高级 tokamak 条件方面显示出巨大的潜力。此处展示的体系结构已部署在 DIII-D 中，以 facilitate 从诊断处理到最终执行命令的端到端高级控制实验的实现。本文描述了该算法的详细设计，并解释了每个设计点的动机。我们还描述了在 DIII-D 中使用该算法成功的 ML 控制实验，包括针对高级非电感等离子体的强化学习控制器、宽 pedestal quiescent H-mode ELM 预测器、Alfv\'en 振动模控制器、Model Predictive Control 等离子体轮廓控制器以及基于状态机的 tearing 模态预测-控制器。还讨论了面向实时机器学习控制器设计与实现的指导原则。
引用
@article{arxiv.2511.08818,
title = {Enabling Integrated AI Control on DIII-D: A Control System Design with State-of-the-art Experiments},
author = {Andrew Rothstein and Hiro Joseph Farre-Kaga and Jalal Butt and Ricardo Shousha and Keith Erickson and Takuma Wakatsuki and Azarakhsh Jalalvand and Peter Steiner and Sangkyeun Kim and Egemen Kolemen},
journal= {arXiv preprint arXiv:2511.08818},
year = {2025}
}
备注
15 pages, 5 figures