Soutenance de thèse de GORSE Valentin
Titre de thèse
Exploitation de connaissances a priori dans des réseaux neuronaux pour la surveillance de la scène thermique interne des machines de fusion : Développement sur le tokamak WEST
Harnessing Prior Knowledge in Neural Networks for Monitoring the Internal Thermal Scene of Fusion Machines: Development on the WEST Tokamak
Résumé de la thèse
Ce doctorat vise à améliorer de manière significative l'opérabilité de la machine de fusion magnétique WEST en optimisant la surveillance thermique de la paroi grâce à des techniques avancées d'analyse d'image. Comme tous les dispositifs expérimentaux de fusion par confinement magnétique de type tokamak, WEST doit maintenir l'intégrité de sa paroi pour fonctionner à ses paramètres nominaux (puissance et courant plasma, durée des expériences). La paroi, servant de bouclier thermique, est opérée à proximité de ses limites technologiques et est surveillée par des systèmes de vision infrarouge.
Traditionnellement, les flux vidéo provenant de ces systèmes de vision infrarouge sont traités de manière déterministe, en se basant sur des lois physiques dérivées des premiers principes et des indicateurs ad hoc calculés directement à partir des images. Cependant, ces méthodes présentent des limitations importantes lorsqu'elles sont appliquées à des domaines complexes tels que la physique des plasmas, en particulier l'interaction plasma-paroi, qui est un domaine multiphysique et multi-échelles.
Récemment, l'apprentissage automatique via des réseaux neuronaux est apparu comme une solution prometteuse pour la surveillance phénoménologique de la paroi, notamment en s'inspirant de l'expérience des opérateurs humains experts. Ces techniques sont déjà employées par les équipes du tokamak WEST, qui se positionnent comme pionnières dans ce domaine (Grelier et al., 2023).
L'utilisation de connaissances a priori, notamment physiques ou géométriques, pourrait encore améliorer le traitement automatisé des événements thermiques sur la première paroi du tokamak. L'exploration de ces connaissances a priori disponibles au sein des équipes du tokamak WEST constitue le fil conducteur de cette thèse. Trois approches exploitant ces connaissances ont été mises en œuvre durant ce travail de doctorat, avec des degrés d'abstraction croissants :
Analyse des zones principales de dépôt de puissance (strikelines) : Cette méthode repose sur une représentation hiérarchique de l'image sous forme de graphe (Max-tree, Salembier et al., 1998). Les connaissances a priori interviennent dans la définition des critères permettant, après calcul de l'arbre représentant l'image, de classifier les strikelines.
Un réseau neuronal original, appelé U-Net Contraint : Ce réseau utilise en entrée les boîtes englobantes des points chauds issues de la détection automatique du pipeline existant. Il réalise à la fois la segmentation des zones les plus chaudes de chaque composant face au plasma, et la prédiction de paramètres physiques liés à ces composants. Ces différentes sorties sont rendues possibles grâce à une conception conjointe de l'architecture du réseau, de la fonction de perte et d'un jeu de données adapté. Compte tenu du contexte applicatif (sécurité en temps réel), le code a été développé en respectant les contraintes d'une utilisation en temps réel et a été exploité lors d'une campagne expérimentale.
Utilisation directe des connaissances a priori des experts humains : Une base de données de connaissances textuelles a été construite pour affiner un Grand Modèle de Langage Multimodal (Multimodal LLM). L'objectif est d'utiliser une connaissance formulée de manière proche du langage humain, en tirant parti de la capacité de ces modèles à comprendre et à être compris par les êtres humains.
Thesis resume
This PhD aims to significantly improve the operability of the WEST magnetic fusion machine by optimising the thermal monitoring of the first wall using advanced image analysis techniques. Like all tokamak-type magnetic confinement fusion experimental devices, WEST must maintain the integrity of its first wall in order to operate at its nominal parameters (plasma power and current, experiment duration). The wall, which acts as a thermal shield, is operated close to its technological limits and is monitored by infrared vision systems.
Traditionally, video streams from these infrared vision systems have been processed deterministically, based on physical laws derived from first principles and ad hoc indicators calculated directly from the images. However, these methods have significant limitations when applied to complex fields such as plasma physics, particularly plasma-wall interaction, which is a multiphysics and multi-scale field.
Recently, machine learning using neural networks has emerged as a promising solution for phenomenological wall monitoring, particularly by drawing on the experience of expert human operators. These techniques are already being used by the WEST tokamak teams, who are pioneers in this field (Grelier et al., 2023).
The use of a priori knowledge, such as physical or geometric knowledge, could further improve the automated processing and characterisation of thermal events on the first wall of the tokamak. The exploration of the use of a priori knowledge available within the WEST tokamak teams is the main theme of this thesis. Three techniques for using a priori knowledge were implemented during this PhD work, with increasing degrees of abstraction:
Analysis of power deposition zones (strikelines): This approach uses a hierarchical representation of an image in the form of a graph (Max-tree, Salembier et al., 1998). A priori knowledge is used to define the criteria used to classify the strikelines once the tree representing the image has been calculated.
A novel neural network architecture, called U-Net Constraint: This network takes as input the bounding boxes of hot spots detected by the Thermal Event Detection pipeline. It performs both the segmentation of the hottest areas of each plasma-facing component and the prediction of physical parameters related to the strikeline. These multiple outputs are enabled by a joint design of the network architecture, the loss function, and a tailored dataset. Given the real-time safety application, the code was developed to meet real-time constraints and has been used during an experimental campaign.
A knowledge-driven approach using large multimodal language models (Multimodal LLM): This method involves creating a textual knowledge base derived from expert input to fine-tune a large multimodal language model. The goal is to integrate expert-level a priori knowledge in a form close to natural human expression, leveraging the model's ability to understand and communicate in natural language.