基于光学模式的低延迟跟踪与机器学习部署在FPGAs上的tokamak上

科学领域:

• 等离子体物理学和核聚变能源研究.
• 先进的诊断和实时控制系统.
• 机器学习在科学仪器中的应用.

背景情况:

• 积极反控制对于稳定磁束聚变装置中的等离子体不稳定性至关重要.
• 高速光学摄像机提供非侵入性等离子体监测功能.
• 实时处理诊断数据对于有效控制至关重要.

研究的目的:

• 开发和演示基于FPGA的现场系统,用于处理高速摄像机数据.
• 追踪磁动力学 (MHD) 模式演变并实时生成控制信号.
• 利用深度学习来提高等离子体模式预测的准确性.

主要方法:

• 使用高速摄像机,运行速度超过100千马/秒.
• 在现场可编程门阵列 (FPGA) 硬件上实现了一个卷积神经网络 (CNN) 模型.
• 将CNN模型集成到相机的FPGA读数中,以实现低延迟处理.

主要成果:

• 实现了磁动力学 (MHD) 模式振幅和相位的实时跟踪.
• 与非深度学习方法相比,CNN模型在预测MHD模式方面表现出卓越的准确性.
• 该系统实现了总触发到输出延迟时间为17.6μs,吞吐量为120kfps.

结论:

• 基于FPGA的高速摄像系统能够实时实现基于机器学习的托卡马克诊断和控制.
• 证明了将先进的AI模型集成到融合诊断硬件中的可行性.
• 该系统有可能在需要高速数据处理和分析的科学领域获得更广泛的应用.