Low latency optical-based mode tracking with machine learning deployed on FPGAs on a tokamak

📄 arXiv: 2312.00128v3 📥 PDF

作者: Yumou Wei, Ryan F. Forelli, Chris Hansen, Jeffrey P. Levesque, Nhan Tran, Joshua C. Agar, Giuseppe Di Guglielmo, Michael E. Mauel, Gerald A. Navratil

分类: physics.plasm-ph, cs.AR, cs.LG, physics.ins-det

发布日期: 2023-11-30 (更新: 2024-07-09)

备注: This article may be downloaded for personal use only. Any other use requires prior permission of the author and AIP Publishing. This article appeared in Rev. Sci. Instrum. 95, 073509 (2024) and may be found at https://doi.org/10.1063/5.0190354

期刊: Rev. Sci. Instrum. 95, 073509 (2024)

DOI: 10.1063/5.0190354

💡 一句话要点

基于光学的低延迟模式跟踪方法在FPGA上的应用

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 核聚变 FPGA 卷积神经网络 实时控制 模式跟踪 光学诊断 机器学习

📋 核心要点

  1. 现有的磁约束核聚变设备在等离子体不稳定性控制方面面临延迟和准确性不足的挑战。
  2. 本文提出了一种基于FPGA的实时模式跟踪系统，利用CNN模型处理高速相机数据以提高预测精度。
  3. 实验结果表明，该系统实现了17.6μs的低延迟和120kfps的高吞吐量，显著提升了模式跟踪的效率。

📝 摘要（中文）

在磁约束核聚变设备中，主动反馈控制对于减轻等离子体不稳定性和实现稳健操作至关重要。本文研究利用高速光学相机处理超过100kfps的数据，在现场可编程门阵列（FPGA）硬件上实时跟踪磁流体动力学（MHD）模式演变，并生成控制信号。通过卷积神经网络（CNN）模型，系统能够更准确地预测n=1 MHD模式的幅度和相位。该模式跟踪系统实现了17.6μs的触发到输出延迟，处理能力高达120kfps，展示了FPGA在实时机器学习基础的核聚变诊断与控制中的应用潜力。

🔬 方法详解

问题定义：本文旨在解决在磁约束核聚变设备中，现有模式跟踪方法在延迟和准确性方面的不足，尤其是在高动态环境下的实时反馈控制问题。

核心思路：通过将卷积神经网络（CNN）模型直接集成到FPGA硬件中，利用高速相机捕获的数据进行实时处理，以提高MHD模式的预测精度和响应速度。

技术框架：系统架构包括高速相机数据采集模块、FPGA处理模块和控制信号生成模块。数据通过FPGA进行实时处理，输出控制信号以调节等离子体状态。

关键创新：该研究的主要创新在于将深度学习模型与FPGA硬件结合，实现了低延迟的实时模式跟踪，显著优于传统非深度学习方法。

关键设计：在设计中，CNN模型的结构经过优化以适应FPGA的计算能力，损失函数选择了适合模式预测的形式，确保了模型在高帧率下的稳定性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的FPGA基础模式跟踪系统实现了17.6μs的触发到输出延迟，处理能力高达120kfps，较其他非深度学习方法在准确性上有显著提升，展示了其在高速度和高精度应用中的潜力。

🎯 应用场景

该研究的成果可广泛应用于核聚变设备的实时监控与控制，提升等离子体稳定性，进而推动核聚变技术的实用化。此外，所提出的方法也可扩展至其他科学领域，如流体动力学和材料科学中的动态监测与控制。

📄 摘要（原文）

Active feedback control in magnetic confinement fusion devices is desirable to mitigate plasma instabilities and enable robust operation. Optical high-speed cameras provide a powerful, non-invasive diagnostic and can be suitable for these applications. In this study, we process fast camera data, at rates exceeding 100kfps, on $\textit{in situ}$ Field Programmable Gate Array (FPGA) hardware to track magnetohydrodynamic (MHD) mode evolution and generate control signals in real-time. Our system utilizes a convolutional neural network (CNN) model which predicts the $n$=1 MHD mode amplitude and phase using camera images with better accuracy than other tested non-deep-learning-based methods. By implementing this model directly within the standard FPGA readout hardware of the high-speed camera diagnostic, our mode tracking system achieves a total trigger-to-output latency of 17.6$μ$s and a throughput of up to 120kfps. This study at the High Beta Tokamak-Extended Pulse (HBT-EP) experiment demonstrates an FPGA-based high-speed camera data acquisition and processing system, enabling application in real-time machine-learning-based tokamak diagnostic and control as well as potential applications in other scientific domains.