Hoe Princeton AI de geheimen van fusie-reactoren ontrafelt

Een team onder leiding van Princeton heeft een innovatieve AI ontwikkeld, genaamd Diag2Diag, die ontbrekende sensorgegevens in kernfusiereactoren kan reconstrueren. Daarmee vult deze virtuele sensor hiaten in de meetdata met synthetische, maar hooggekwalificeerde informatie — in sommige gevallen zelfs gedetailleerder dan wat fysieke sensoren ooit konden meten.

Princeton’s AI reveals what fusion sensors can’t see A powerful new AI tool called Diag2Diag is revolutionizing fusion research by filling in missing plasma data with synthetic yet highly detailed information. Developed by Princeton scientists and international collaborators, this system uses sensor input to predict readings other diagnostics can’t capture, especially in the crucial plasma edge region where stability determines performance. By reducing reliance on bulky hardware, it promises to make future fusion reactors more compact, affordable, and reliable.

Waarom Diag2Diag baanbrekend is

In fusie-experimenten gebruiken onderzoekers tientallen tot honderden sensoren om eigenschappen van plasma te meten — zoals temperatuur, dichtheid en magnetische velden. Maar sommige fenomenen ontwikkelen zich razendsnel, sneller dan de resolutie van bepaalde diagnostische instrumenten. Diag2Diag kan op basis van data van meerdere sensoren een ‘synthetisch’ signaal reconstrueren dat ontbreekt of niet gemeten kan worden — vaak met meer details dan de oorspronkelijke sensor zelf.

Een voorbeeld: de Thomson-scattering-diagnostiek is snel, maar kan niet altijd de ultrakorte instabiliteiten aan de rand van het plasma (“pedestal”) volgen. Diag2Diag vult zulke hiaten in door correlaties tussen sensoren te leren en zo te voorspellen wat er gemeten zou zijn.

Technologische en wetenschappelijke implicaties

Door minder fysieke sensoren te hoeven gebruiken, kan een fusiereactor compacter worden, met minder onderhoud en lagere kosten. Bovendien leverde Diag2Diag nieuwe inzichten op over de manier waarop magnetische verstoringen (resonante magnetische perturbaties, RMP’s) de temperatuur- en dichtheidsprofielen aan de plasmarand afvlakken — een fenomeen dat experimenteel moeilijk waarneembaar was met conventionele instrumenten. 

Daarmee ondersteunt Diag2Diag theorieën over de onderdrukking van zogeheten ELM’s (edge-localized modes) — krachtige energie-uitbarstingen die de wand van de reactor kunnen beschadigen.

Internationaal samenwerkingsverband & toekomstperspectief

De ontwikkeling van Diag2Diag is een samenwerkingsproject tussen Princeton University, het Princeton Plasma Physics Laboratory (PPPL), Seoul National University en andere partners wereldwijd, onder steun van onder meer het Amerikaanse Department of Energy en de Koreaanse wetenschapministeries.

De onderzoekers benadrukken dat Diag2Diag mogelijk ook toepasbaar is in andere domeinen, zoals ruimtevaartinstrumentatie, robotchirurgie of elk systeem waarin sensoren uitvallen of niet alle data kunnen leveren.

In de context van de ontwikkeling van commerciële fusiekrachtcentrales is dit een belangrijke stap: systemen die continu (24/7) moeten werken, mogen geen downtime tolereren door defecte sensoren. Diag2Diag kan voor redundantie zorgen.

Met Diag2Diag tonen wetenschappers aan hoe AI niet slechts ondersteunend kan zijn, maar fundamenteel kan bijdragen aan het systeemontwerp van fusie­apparatuur. Door hiaten in meetdata te overbruggen en zelfs extra detail te genereren, opent deze technologie het vooruitzicht op slankere, robuustere en kosteneffectievere fusiesystemen. De weg naar commerciële fusie-energie lijkt nog altijd lang, maar met instrumenten als Diag2Diag krijgt de weg steeds meer richting.

Multimodal super-resolution: discovering hidden physics and its application to fusion plasmas - Nature Communications Understanding complex physical systems often requires integrating data from multiple diagnostics, each with limited resolution or coverage. We present a machine learning framework that reconstructs synthetic high-temporal-resolution data for a target diagnostic using information from other diagnostics, without direct target measurements during the inference. This multimodal super-resolution technique improves diagnostic robustness and enables monitoring even in case of measurement failures or degradation. Applied to fusion plasmas, our method targets edge-localized modes (ELMs), which can damage plasma-facing materials. By reconstructing super-resolution Thomson Scattering data from complementary diagnostics, we uncover fine-scale plasma dy