Een internationaal team van wetenschappers onder leiding van een afgestudeerde student aan het Princeton Plasma Physics Laboratory (PPPL) van het Amerikaanse Department of Energy (DOE) heeft het gebruik van kunstmatige intelligentie (AI) aangetoond. hetzelfde computerconcept dat zelfrijdende auto's mogelijk maakt, om verstoringen te voorspellen en te voorkomen - het plotseling vrijkomen van energie die is opgeslagen in het plasma dat fusiereacties voedt - die de reacties kunnen stoppen en fusie-installaties ernstig kunnen beschadigen.

Risico op storingen

Fusie-apparaten, tokamaks genaamd, lopen een verhoogd risico op verstoringen omdat onderzoekers, gericht op het maximaliseren van de fusiekracht om op aarde de fusie te creëren die de zon en de sterren aandrijft, botsen op de operationele grenzen van de faciliteiten. Wetenschappers moeten dus in staat zijn om de fusiekracht te vergroten zonder die limieten te raken. Deze mogelijkheid zal cruciaal zijn voor ITER, de grote internationale tokamak in aanbouw in Frankrijk om de bruikbaarheid van fusie-energie te demonstreren.

Fusiereacties combineren lichte elementen in de vorm van plasma - het hete, geladen toestand van materie bestaande uit vrije elektronen en atoomkernen die 99 procent van het zichtbare universum uitmaken - om enorme hoeveelheden energie te genereren. Wetenschappers over de hele wereld proberen kernfusie te creëren voor een vrijwel onuitputtelijke voorraad veilige en schone energie om elektriciteit op te wekken.

De onderzoekers trainden een AI-algoritme voor machine learning, of een reeks regels, op duizenden eerdere experimenten op de DIII-D National Fusion Facility die General Atomics voor de DOE exploiteert. Wetenschappers pasten de regels vervolgens in realtime toe op lopende DIII-D-experimenten en ontdekten dat het algoritme in staat was om de waarschijnlijkheid van verstoringen te voorspellen en acties te ondernemen die het begin van verstoringen afwendden.

Relatief eenvoudig model

"Het is fascinerend om te zien dat een relatief eenvoudig machine learning-model het gecompliceerde gedrag van fusieplasma nauwkeurig kan voorspellen, " zei Yichen Fu, een afgestudeerde student in het Princeton-programma in plasmafysica bij PPPL en hoofdauteur van een paper waarin de bevindingen worden beschreven in Fysica van plasma's en tentoongesteld in een uitgelichte publicatie van het American Institute of Physics genaamd 'SciLight'. "Het is geweldig om te zien dat studenten multi-institutionele teams leiden en een echte impact hebben op de ontwikkeling van machinale leermethoden voor de controle van fusieplasma's, " zei PPPL-natuurkundige Egemen Kolemen, supervisor van het werk van Yichen en een assistent-professor Mechanische en Luchtvaart- en Ruimtevaarttechniek aan de Princeton University.

De resultaten markeren een nieuwe stap in de richting van het voorkomen van verstoringen in ITER en faciliteiten van de volgende generatie, zei natuurkundige Raffi Nazikian, hoofd van de afdeling ITER en Tokamak bij PPPL. "Dit werk vertegenwoordigt een aanzienlijke vooruitgang in het gebruik van machine learning om een ​​methode voor het voorspellen en vermijden van verstoringen in fusie-apparaten te ontwikkelen, "Zei Nazikian. "Echter, er is nog veel R&D nodig om de nauwkeurigheid van de voorspellingen te verbeteren en om faalveilige controlemethoden te ontwikkelen om verstoringen in ITER en toekomstige reactoren te voorkomen."