Ilmuwan Jefferson Lab Kembangkan AI untuk Memprediksi Perubahan Hardware pada Reaktor Fusi DIII-D
Ilmuwan data dari Thomas Jefferson National Accelerator Facility (Jefferson Lab) bekerja sama dengan General Atomics, University of Houston, dan Pacific Northwest National Laboratory telah mengembangkan kerangka kerja pembelajaran mesin (machine learning) untuk memprediksi perubahan pada hardware tokamak DIII-D di fasilitas ilmu fusi Departemen Energi AS sebelum gangguan terjadi pada mesin fisik. Teknik yang dipublikasikan di jurnal Machine Learning with Applications ini menggunakan digital twin sistem kumparan medan toroidal—sekumpulan magnet besar yang vital untuk mengurung plasma berpendar lebih panas dari inti matahari—guna memastikan stabilitas operasi dan mempercepat pengejaran energi fusi.
Kishan Rajput, ilmuwan data di Jefferson Lab dan penulis utama studi tersebut, menyatakan bahwa pendekatan proaktif ini akan membantu peneliti fusi menemukan masalah sebelum benar-benar terjadi pada mesin fisik. Tokamak DIII-D beroperasi dengan suhu plasma yang melebihi inti matahari, menciptakan lingkungan keras di mana bahkan distorsi halus pada struktur fisik mesin dapat berdampak signifikan pada eksperimen yang berlangsung. Kumparan medan toroidal, meskipun dirancang kaku, rentan terhadap pergeseran menit selama fluktuasi stabilitas plasma antar tembakan eksperimen (shots) yang terjadi kira-kira setiap sepuluh menit.
Tim peneliti bertujuan meramalkan pergerakan kumparan selama jeda singkat tersebut untuk memungkinkan diagnosis dan perawatan proaktif. Sistem yang dikembangkan mengandalkan jaringan saraf dalam (deep neural networks) yang dilatih melalui pembelajaran daring (online learning), beradaptasi terus-menerus terhadap data masuk. Inovasi intinya terletak pada ansambel model, di mana setiap model dilatih pada deret waktu yang sedikit berbeda untuk mengakomodasi berbagai pola drift—beberapa fokus pada pergeseran mendadak, beberapa pada perubahan bertahap, dan yang lain pada tren menengah.
Setiap prediksi dilengkapi dengan penilaian ketidakpastian yang andal, memberikan tingkat kepercayaan bagi operator. Rajput menjelaskan bahwa mereka menggabungkan prediksi dengan membobotkan secara terbalik berdasarkan kuantifikasi ketidakpastian atau lebar amplop kesalahan; model dengan amplop lebih sempit diberi bobot lebih tinggi, dan itulah sumber panduan untuk ansambel tersebut. Pengujian mengungkapkan pendekatan pembelajaran daring ini mengurangi kesalahan prediksi sebesar 80 persen dibandingkan model statis, sementara ansambel berbasis ketidakpastian lebih meningkatkan akurasi sekitar 10 persen.
Rajput menegaskan bahwa dari segi kuantifikasi ketidakpastian, mekanisme adaptif untuk mengakomodasi drift, dan batasan waktu, sistem ini sudah layak digunakan dalam operasi aktual. Kerangka kerja ini kini siap diimplementasikan di DIII-D dan dapat diadaptasi untuk fasilitas fusi lain. Tim berencana memperluas data pelatihan sistem untuk mencakup tahunan tembakan historis guna menangkap peristiwa jarang dan menyempurnakan kuantifikasi ketidakpastian. Rajput menekankan pentingnya menunjukkan bagaimana model berevolusi, bukan hanya bagaimana data berevolusi, serta bagian mana dari model yang menangkap tren tersebut, sebagai kunci membangun kepercayaan pada diagnostik berbasis AI di komunitas fusi.
