Wetenschap
Het gebruik van AI om de meest rekenintensieve aspecten van de plasmafysica op het gebied van fusie te versnellen en te verbeteren
De ingewikkelde dans van atomen die energie samensmelten en vrijgeven, fascineert wetenschappers al tientallen jaren. Nu komen menselijk vernuft en kunstmatige intelligentie samen in het Princeton Plasma Physics Laboratory (PPPL) van het Amerikaanse Department of Energy (DOE) om een van de meest urgente problemen van de mensheid op te lossen:het genereren van schone, betrouwbare energie uit het samensmelten van plasma.
In tegenstelling tot traditionele computercode is machinaal leren (een soort kunstmatig intelligente software) niet simpelweg een lijst met instructies. Machine learning is software die gegevens kan analyseren, relaties tussen functies kan afleiden, van deze nieuwe kennis kan leren en zich kan aanpassen. PPPL-onderzoekers zijn van mening dat dit vermogen om te leren en zich aan te passen hun controle over fusiereacties op verschillende manieren zou kunnen verbeteren. Dit omvat het perfectioneren van het ontwerp van de vaten die het superhete plasma omringen, het optimaliseren van verwarmingsmethoden en het behouden van een stabiele controle over de reactie voor steeds langere perioden.
Het kunstmatige-intelligentieonderzoek van het Lab levert al aanzienlijke resultaten op. In een nieuw artikel gepubliceerd in Nature Communications , leggen PPPL-onderzoekers uit hoe ze machinaal leren gebruikten om magnetische verstoringen, of verstoringen, te vermijden die fusieplasma destabiliseren.
"De resultaten zijn bijzonder indrukwekkend omdat we ze op twee verschillende tokamaks konden bereiken met dezelfde code", zegt PPPL Staff Research Physicus SangKyeun Kim, de hoofdauteur van het artikel. Een tokamak is een donutvormig apparaat dat magnetische velden gebruikt om een plasma vast te houden.
"Er zijn instabiliteiten in plasma die kunnen leiden tot ernstige schade aan het fusie-apparaat. Die kunnen we niet hebben in een commercieel fusievat. Ons werk brengt vooruitgang in het veld en laat zien dat kunstmatige intelligentie een belangrijke rol zou kunnen spelen bij het beheersen van fusiereacties in de toekomst , waarbij instabiliteiten worden vermeden terwijl het plasma zoveel mogelijk fusie-energie kan genereren", zegt Egemen Kolemen, universitair hoofddocent bij de afdeling mechanische en ruimtevaarttechniek, gezamenlijk aangesteld bij het Andlinger Centrum voor Energie en Milieu en de PPPL.
Elke milliseconde moeten er belangrijke beslissingen worden genomen om een plasma onder controle te houden en een fusiereactie gaande te houden. Het systeem van Kolemen kan die beslissingen veel sneller nemen dan een mens en automatisch de instellingen van het fusievat aanpassen, zodat het plasma goed behouden blijft. Het systeem kan verstoringen voorspellen, uitzoeken welke instellingen moeten worden gewijzigd en deze wijzigingen vervolgens allemaal doorvoeren voordat de instabiliteit zich voordoet.
Kolemen merkt op dat de resultaten ook indrukwekkend zijn omdat het plasma zich in beide gevallen in een hoge opsluitingsmodus bevond. Dit wordt ook wel de H-modus genoemd en treedt op wanneer een magnetisch opgesloten plasma voldoende wordt verwarmd zodat de opsluiting van het plasma plotseling en aanzienlijk verbetert en de turbulentie aan de rand van het plasma effectief verdwijnt. De H-modus is de moeilijkste modus om te stabiliseren, maar ook de modus die nodig zal zijn voor commerciële energieopwekking.
Het systeem werd met succes ingezet op twee tokamaks, DIII-D en KSTAR, die beide de H-modus bereikten zonder instabiliteiten. Dit is de eerste keer dat onderzoekers deze prestatie hebben geleverd in een reactoromgeving die relevant is voor wat nodig zal zijn om fusie-energie op commerciële schaal in te zetten.
PPPL heeft een aanzienlijke geschiedenis in het gebruik van kunstmatige intelligentie om instabiliteiten te temmen. PPPL-hoofdonderzoeksfysicus William Tang en zijn team waren in 2019 de eersten die het vermogen aantoonden om dit proces van de ene tokamak naar de andere over te brengen.
"Ons werk heeft doorbraken opgeleverd door gebruik te maken van kunstmatige intelligentie en machinaal leren in combinatie met krachtige, moderne, krachtige computerbronnen om grote hoeveelheden gegevens in duizendsten van een seconde te integreren en modellen te ontwikkelen voor het omgaan met ontwrichtende natuurkundige gebeurtenissen lang voordat ze zich voordoen", aldus Tang. "Je kunt verstoringen niet effectief bestrijden in meer dan een paar milliseconden. Dat zou hetzelfde zijn als beginnen met de behandeling van een dodelijke kanker, nadat deze al te ver is gevorderd."
Het werk werd gedetailleerd beschreven in een artikel gepubliceerd in Nature in 2019. Tang en zijn team blijven op dit gebied werken, met de nadruk op het elimineren van realtime verstoringen in tokamaks met behulp van machine learning-modellen die zijn getraind op goed geverifieerde en gevalideerde observatiegegevens.
Een nieuwe draai aan het stellaratorontwerp
De kunstmatige-intelligentieprojecten van PPPL voor fusie reiken verder dan tokamaks. Michael Churchill, hoofd Digital Engineering van PPPL, gebruikt machinaal leren om het ontwerp van een ander type fusiereactor, een stellarator, te verbeteren. Als tokamaks op donuts lijken, zouden stellarators gezien kunnen worden als de crullers van de fusiewereld met een complexer, verwrongen ontwerp.
"We moeten veel verschillende codes gebruiken als we het ontwerp van een stellarator valideren.
Dus de vraag wordt:"Wat zijn de beste codes voor het ontwerp van stellaratoren en de beste manieren om ze te gebruiken?" zei Churchill. "Het is een evenwichtsoefening tussen het detailniveau van de berekeningen en de snelheid waarmee ze antwoorden opleveren."
De huidige simulaties voor tokamaks en stellarators komen dicht in de buurt van het echte werk, maar zijn nog geen tweeling. "We weten dat onze simulaties niet 100% waarheidsgetrouw zijn aan de echte wereld. Vaak weten we dat er tekortkomingen zijn. We denken dat het veel van de dynamiek weergeeft die je zou zien op een fusiemachine, maar er is nogal wat dat doen wij niet."
Churchill zei dat je idealiter een digitale tweeling wilt:een systeem met een feedbacklus tussen gesimuleerde digitale modellen en gegevens uit de echte wereld die in experimenten zijn vastgelegd. "In een nuttige digitale tweeling zouden die fysieke gegevens kunnen worden gebruikt en benut om het digitale model bij te werken en zo beter te voorspellen hoe de toekomstige prestaties eruit zouden zien."
Het is niet verwonderlijk dat het nabootsen van de werkelijkheid veel zeer geavanceerde code vereist. De uitdaging is dat hoe ingewikkelder de code is, hoe langer het duurt om deze uit te voeren. Een veelgebruikte code genaamd X-Point Included Gyrokinetic Code (XGC) kan bijvoorbeeld alleen worden uitgevoerd op geavanceerde supercomputers, en zelfs dan werkt deze niet snel.
"Je gaat XGC niet elke keer uitvoeren als je een fusie-experiment uitvoert, tenzij je een speciale exaschaal-supercomputer hebt. We hebben het waarschijnlijk uitgevoerd op 30 tot 50 plasma-ontladingen [van de duizenden die we hebben uitgevoerd]", zei Churchill. /P>
Daarom gebruikt Churchill kunstmatige intelligentie om verschillende codes en het optimalisatieproces zelf te versnellen. "We zouden heel graag berekeningen met een hogere betrouwbaarheid willen uitvoeren, maar dan veel sneller, zodat we snel kunnen optimaliseren", zei hij.
Codering om code te optimaliseren
Op dezelfde manier gebruikt het team van onderzoeksfysicus Stefano Munaretto kunstmatige intelligentie om een code genaamd HEAT te versnellen, die oorspronkelijk werd ontwikkeld door het Oak Ridge National Laboratory van de DOE en de Universiteit van Tennessee-Knoxville voor PPPL's tokamak NSTX-U.
HEAT wordt bijgewerkt zodat de plasmasimulatie 3D zal zijn, passend bij het 3D computer-aided design (CAD) model van de tokamak-divertor. De divertor bevindt zich aan de onderkant van het fusievat en onttrekt de warmte en as die tijdens de reactie worden gegenereerd. Een 3D-plasmamodel moet het begrip vergroten van hoe verschillende plasmaconfiguraties de warmtestromen of de bewegingspatronen van warmte in de tokamak kunnen beïnvloeden. Inzicht in de beweging van warmte voor een specifieke plasmaconfiguratie kan inzicht verschaffen in hoe warmte zich waarschijnlijk zal verplaatsen bij een toekomstige ontlading met een vergelijkbaar plasma.
Door HEAT te optimaliseren hopen de onderzoekers de complexe code snel tussen plasma-opnamen door te kunnen laten lopen, waarbij informatie over de laatste opname wordt gebruikt om de volgende te beslissen.
"Dit zou ons in staat stellen de warmtestromen te voorspellen die in de volgende opname zullen verschijnen en mogelijk de parameters voor de volgende opname opnieuw in te stellen, zodat de warmtestroom niet te intens is voor de divertor", zei Munaretto. "Dit werk zou ons ook kunnen helpen bij het ontwerpen van toekomstige fusie-energiecentrales."
PPPL Associate Research Physicus Doménica Corona Rivera is nauw betrokken geweest bij de inspanningen om HEAT te optimaliseren. De sleutel is het beperken van een breed scala aan invoerparameters tot slechts vier of vijf, zodat de code gestroomlijnd en toch zeer nauwkeurig zal zijn. "We moeten ons afvragen:"Welke van deze parameters zijn betekenisvol en zullen echt van invloed zijn op de hitte?", zegt Corona Rivera. Dat zijn de belangrijkste parameters die worden gebruikt om het machine learning-programma te trainen.
Met steun van Churchill en Munaretto heeft Corona Rivera de tijd die nodig is om de code uit te voeren om rekening te houden met de hitte al aanzienlijk verkort, terwijl de resultaten voor ongeveer 90% synchroon blijven met die van de originele versie van HEAT. "Het is onmiddellijk", zei ze.
De juiste omstandigheden vinden voor ideale verwarming
Onderzoekers proberen ook de beste omstandigheden te vinden om de ionen in het plasma te verwarmen door een techniek te perfectioneren die bekend staat als ion cyclotron radiofrequentie verwarming (ICRF). Dit type verwarming richt zich op het opwarmen van de grote deeltjes in het plasma:de ionen.
Plasma heeft verschillende eigenschappen, zoals dichtheid, druk, temperatuur en de intensiteit van het magnetische veld. Deze eigenschappen veranderen de manier waarop de golven interageren met de plasmadeeltjes en bepalen de paden en gebieden van de golven waar de golven het plasma zullen verwarmen. Het kwantificeren van deze effecten is cruciaal voor het beheersen van de radiofrequentieverwarming van het plasma, zodat onderzoekers ervoor kunnen zorgen dat de golven efficiënt door het plasma bewegen om het op de juiste plekken te verwarmen.
Het probleem is dat de standaardcodes die worden gebruikt om de plasma- en radiogolfinteracties te simuleren erg ingewikkeld zijn en te langzaam werken om te worden gebruikt om realtime beslissingen te nemen.
"Machine learning biedt ons hier een groot potentieel om de code te optimaliseren", zegt Álvaro Sánchez Villar, universitair fysicus bij PPPL. "In principe kunnen we het plasma beter controleren omdat we kunnen voorspellen hoe het plasma gaat evolueren, en we kunnen het in realtime corrigeren."
Het project richt zich op het uitproberen van verschillende soorten machinaal leren om een veelgebruikte natuurkundecode te versnellen. Sánchez Villar en zijn team lieten meerdere versnelde versies van de code zien voor verschillende fusie-apparaten en soorten verwarming. De modellen kunnen antwoorden vinden in microseconden in plaats van minuten, met minimale impact op de nauwkeurigheid van de resultaten. Sánchez Villar en zijn team konden machine learning ook gebruiken om uitdagende scenario's te elimineren met de geoptimaliseerde code.
Sánchez Villar zegt dat de nauwkeurigheid, de "grotere robuustheid" en de versnelling van de code hem zeer geschikt maken voor geïntegreerde modellering, waarbij veel natuurkundige codes samen worden gebruikt, en voor real-time besturingstoepassingen, die cruciaal zijn voor fusieonderzoek.
Ons begrip van de rand van het plasma verbeteren
PPPL-hoofdonderzoeksfysicus Fatima Ebrahimi is de hoofdonderzoeker van een vierjarig project voor het Advanced Scientific Computing Research-programma van de DOE, onderdeel van het Office of Science, dat experimentele gegevens van verschillende tokamaks, plasmasimulatiegegevens en kunstmatige intelligentie gebruikt om het gedrag te bestuderen van de rand van het plasma tijdens fusie. Het team hoopt dat hun bevindingen de meest effectieve manieren zullen onthullen om een plasma op te sluiten in een tokamak op commerciële schaal.
Hoewel het project meerdere doelen heeft, is het doel duidelijk vanuit het perspectief van machinaal leren. "We willen onderzoeken hoe machinaal leren ons kan helpen al onze gegevens en simulaties te benutten, zodat we de technologische hiaten kunnen dichten en een krachtig plasma kunnen integreren in een levensvatbaar fusie-energiecentralesysteem", aldus Ebrahimi.
Er is een schat aan experimentele gegevens verzameld van tokamaks over de hele wereld, terwijl de apparaten werkten in een staat die vrij was van grootschalige instabiliteiten aan de rand van het plasma, bekend als edge-localized modes (ELM's). Dergelijke kortstondige, explosieve ELM's moeten worden vermeden omdat ze de interne componenten van een tokamak kunnen beschadigen, onzuiverheden uit de tokamakwanden in het plasma kunnen trekken en de fusiereactie minder efficiënt kunnen maken. De vraag is hoe we een ELM-vrije staat kunnen bereiken in een tokamak op commerciële schaal, die veel groter zal zijn en veel heter zal werken dan de huidige experimentele tokamaks.
Ebrahimi en haar team zullen de experimentele resultaten combineren met informatie uit plasmasimulaties die al zijn gevalideerd aan de hand van experimentele gegevens om een hybride database te creëren. De database zal vervolgens worden gebruikt om machine learning-modellen over plasmabeheer te trainen, die vervolgens kunnen worden gebruikt om de simulatie bij te werken.
"Er is wat heen en weer tussen de training en de simulatie", legt Ebrahimi uit.
Door een high-fidelity-simulatie van het machine learning-model op supercomputers uit te voeren, kunnen de onderzoekers vervolgens hypothesen opstellen over scenario's die verder gaan dan de scenario's die door de bestaande gegevens worden gedekt. Dit zou waardevolle inzichten kunnen opleveren over de beste manieren om de voorsprong van plasma op commerciële schaal te beheren.