トカマクのプラズマ安定化に向けたマルチタイムスケール動力学モデルベイズ最適化

- Tokamak における plasma stabilization を目的とした制御手法 - 高頻度の data-driven dynamics model と低頻度の Gaussian process を統合した multi-timescale Bayesian optimization - 核融合の複雑な dynamics、乏しいデータ、hardware failure、実験時間外への影響といった課題に対処 - DIII-D nuclear fusion plant の tearing instabilities 制御に適用

- 既存の reinforcement learning、supervised learning、Bayesian optimization は個別課題に対処するが包括的解を提供できていない - 本手法は高頻度 dynamics model と低頻度 Gaussian process を組み合わせ、実験間で Gaussian process を更新 - 信頼性の低い dynamical model の予測を逐次精緻化できる点が特徴 - 歴史的データでの offline 評価で複数 baseline を大きく上回った

- 高頻度の data-driven dynamics model と低頻度の Gaussian process を統合する multi-scale Bayesian optimization - 実験間に Gaussian process を更新することで新データへ迅速に適応 - 信頼性の低い dynamical model の予測を Gaussian process で補正・精緻化 - これを plasma stabilization の制御に用いる

- DIII-D nuclear fusion plant の tearing instabilities 制御で検証 - 歴史的データを用いた offline テストで複数 baseline に対し有意に優位 - 不安定性が生じやすい high-performance plasma scenarios での live 実験を実施 - live 実験で 50% の成功率、歴史的結果から 117% の改善を報告

- 要旨からは不明 - ただし live 実験の成功率が 50% である点や、hardware failure や実験時間外への影響への対処の限界については要旨に明示なし

- reinforcement learning - supervised learning - Bayesian optimization - Gaussian process - data-driven dynamics model を用いた plasma control 関連研究