Künstliche Intelligenz in der Fusionsforschung: Wenn Daten zur eigentlichen Maschine werden

Fusionsforschung ist, nüchtern betrachtet, kein klassisches Ingenieurproblem. Sie ist ein Datenproblem. Und genau deshalb rückt künstliche Intelligenz zunehmend in den Mittelpunkt.

Am Max-Planck-Institut für Plasmaphysik wird dieser Wandel seit Jahren vorbereitet. Während Anwendungen wie ChatGPT künstliche Intelligenz in den Alltag getragen haben, hat sich ihr wissenschaftlicher Kern längst in Bereichen etabliert, in denen klassische Methoden an ihre Grenzen stoßen – insbesondere in der Plasmaphysik.

Denn das, was in Fusionsanlagen wie ASDEX Upgrade oder Wendelstein 7-X untersucht wird, entzieht sich weitgehend direkter Beobachtung. Plasma, ein extrem heißer Zustand aus geladenen Teilchen, ist nicht nur unsichtbar in seinen entscheidenden Bereichen, sondern auch hochdynamisch, instabil und inhomogen. Jeder Entladungszyklus erzeugt Datenströme von mehreren Gigabyte pro Sekunde – ein Volumen, das sich mit konventionellen Auswertungsmethoden kaum noch beherrschen lässt.

Das eigentliche Problem: Unsichtbare Prozesse, sichtbare Daten

Die Herausforderung liegt nicht darin, Daten zu erzeugen, sondern sie sinnvoll zu interpretieren. Messsysteme erfassen magnetische Felder, Strahlung, Teilchendichten und Temperaturverteilungen – indirekte Größen, aus denen der Zustand des Plasmas rekonstruiert werden muss.

Diese Rekonstruktion ist fehleranfällig. Messwerte sind verrauscht, teilweise widersprüchlich und in vielen Fällen unvollständig. Hinzu kommt, dass das Plasma selbst ein System ist, das sich in Sekundenbruchteilen verändert. Klassische Modelle stoßen hier schnell an ihre Grenzen, weil sie entweder zu langsam oder zu stark vereinfacht sind.

Genau an dieser Stelle setzt maschinelles Lernen an. Seine Stärke liegt nicht in einem besseren physikalischen Verständnis, sondern in der Fähigkeit, in hochdimensionalen Datensätzen Muster zu erkennen, die für den Menschen nicht zugänglich sind.

Wenn Messfehler zum Risiko werden

Ein zentrales Problem der experimentellen Fusionsforschung ist die Identifikation sogenannter Ausreißer – Messwerte, die physikalisch nicht plausibel sind und dennoch in den Daten erscheinen. In Fusionsanlagen entstehen sie häufig durch Wechselwirkungen, die mit dem eigentlichen Experiment nichts zu tun haben, etwa wenn Neutronen auf Diagnosesysteme treffen und falsche Signale erzeugen.

In einfachen Datensätzen lassen sich solche Fehler oft visuell erkennen. In der Fusionsforschung hingegen entstehen komplexe, mehrdimensionale Datenräume, in denen sich Fehlwerte nicht mehr eindeutig isolieren lassen.

Hier kommen probabilistische Methoden ins Spiel. Am IPP entwickelte Algorithmen auf Basis sogenannter Student-t-Prozesse ermöglichen eine robuste Analyse dieser Daten. Sie erkennen nicht nur Ausreißer, sondern können auch fehlende Messwerte rekonstruieren – etwa wenn einzelne Sensoren temporär ausfallen. Damit wird ein entscheidender Schritt erreicht: Daten werden nicht mehr nur ausgewertet, sondern aktiv stabilisiert.

Plasma verstehen heißt: es in Echtzeit kontrollieren

Noch entscheidender ist die Frage der Steuerung. Ein Fusionsreaktor kann nur dann stabil betrieben werden, wenn sich das Plasma in einem definierten Gleichgewichtszustand befindet. Bereits geringe Abweichungen in Form oder Position können die Stabilität gefährden.

Das Problem: Dieser Zustand lässt sich nicht direkt messen. Er muss aus einer Vielzahl indirekter Parameter berechnet werden – in Echtzeit.

Neue Algorithmen ermöglichen es, den sogenannten MHD-Gleichgewichtszustand des Plasmas während des Experiments zu rekonstruieren. Gleichzeitig liefern sie eine entscheidende Zusatzinformation: die Unsicherheit der Berechnung. Diese Angabe ist nicht nebensächlich, sondern zentral für die Steuerung.

Ein System, das nur Werte liefert, ohne deren Verlässlichkeit zu bewerten, kann Fehlentscheidungen treffen. Erst die Kombination aus Zustandsschätzung und Fehlerintervall erlaubt eine differenzierte Regelung. Reagiert das System auf eine Abweichung mit hoher Sicherheit, wird nachjustiert. Ist die Unsicherheit groß, bleibt die Regelung stabil und vermeidet Überreaktionen.

Damit wird künstliche Intelligenz zu einem integralen Bestandteil der Maschinensteuerung – nicht als Ersatz physikalischer Modelle, sondern als deren Erweiterung.

Wenn Physik und Algorithmen zusammenwachsen

Ein zentraler Entwicklungsschritt liegt in der Integration physikalischer Gesetzmäßigkeiten in maschinelle Lernverfahren. Plasmen unterliegen klar definierten Erhaltungssätzen, etwa für Energie und Impuls. Diese Randbedingungen sind bekannt, lassen sich jedoch nur schwer in klassische KI-Modelle integrieren.

Am IPP wurden in diesem Bereich Fortschritte erzielt, insbesondere bei der Simulation plasmaphysikalischer Systeme auf Basis des Vlasov-Modells. Durch die Berücksichtigung sogenannter symplektischer Strukturen konnte die Langzeitstabilität dieser Simulationen deutlich verbessert werden.

Das ist mehr als ein mathematisches Detail. Es zeigt, dass KI in der Fusionsforschung nicht als Black Box eingesetzt wird, sondern als Teil eines physikalisch konsistenten Systems. Die Kombination aus datengetriebenen Methoden und fundierter Theorie erweist sich dabei als entscheidend.

Übertragbarkeit: Was in der Fusion entsteht, wirkt weit darüber hinaus

Die Methoden, die in der Fusionsforschung entwickelt werden, bleiben nicht auf dieses Feld beschränkt. Veranstaltungen wie die MaxEnt-Konferenz am IPP zeigen, wie stark die Vernetzung zwischen Disziplinen inzwischen ist.

Probabilistische Modelle und maschinelles Lernen finden Anwendung in der Materialwissenschaft, der Geophysik, der Meteorologie und der Medizin. Umgekehrt fließen Methoden aus diesen Bereichen zurück in die Fusionsforschung. Es entsteht ein Kreislauf, in dem sich Fortschritte gegenseitig verstärken.

Einordnung: Die eigentliche Maschine ist das Modell

Die klassische Vorstellung eines Fusionsreaktors als rein physikalisches System greift zu kurz. Zunehmend wird deutlich, dass seine Leistungsfähigkeit nicht nur von Magneten, Materialien und Geometrien abhängt, sondern ebenso von der Qualität der Modelle, die ihn beschreiben und steuern.

Künstliche Intelligenz übernimmt dabei eine Rolle, die über reine Datenanalyse hinausgeht. Sie wird zur Schnittstelle zwischen Messung, Interpretation und Steuerung. In einem System, das sich nicht direkt beobachten lässt, ersetzt sie gewissermaßen den Blick in das Innere.

Der Fortschritt in der Fusionsforschung wird daher nicht allein durch neue Reaktorkonzepte bestimmt, sondern ebenso durch die Fähigkeit, Daten in verlässliche Entscheidungen zu übersetzen. Genau hier liegt die strategische Bedeutung von KI.

Und genau hier entscheidet sich, ob aus experimenteller Physik eines Tages industrielle Energieerzeugung wird.

‍

Recherche: Basierend auf aktuellen Veröffentlichungen des IPP zur Anwendung von KI in der Fusionsforschung.