仿真虚拟电路在托卡马克等离子体形状控制中的实时适用性

机器学习最近被用于仿真灵敏度矩阵，以实现托卡马克等离子体的实时磁控制。然而，这些方法将受益于对可能的不精确性进行量化。我们报告了仿真器实时适用性的两个方面。首先，我们量化了由形状仿真器的 Jacobian 矩阵计算出的虚拟电路目标位移与基于精确 Grad-Shafranov 解的有限差分 Jacobian 矩阵计算出的目标位移之间的一致性。在使用参数量约为 $10^5$ 的神经网络仿真器组合时，对于选定的几何目标可以实现良好的一致性（$\approx$5-10%）。约 $10^{5}-10^{6}$ 个合成平衡态样本对于训练不过度正则化或不过拟合的仿真器至关重要。在形状目标上训练的较小模型可以进一步微调，以更好地拟合 Jacobian 矩阵。其次，我们探讨了在实时情况下未直接测量且在设计虚拟电路时通常被归入有效“整形电流”的容器电流的影响。我们证明，可以通过对有源线圈电流测量的滑动窗口进行简单的线性回归来推断整形电流，其残差仅为几安培，从而能够在放电过程中的任意时刻选择最合适的整形电流。尽管这些结果基于历史放电数据和针对 MAST-U 量身定制的模拟，但它们表明，可以为现有和即将建成的托卡马克开发出具有几毫秒延迟的仿真器，以实现稳健的实时等离子体形状控制。