In een oogwenk kan het weerbarstige, oververhitte plasma dat een fusiereactie aandrijft, zijn stabiliteit verliezen en ontsnappen aan de sterke magnetische velden die het opsluiten in de donutvormige fusiereactor. Deze ontsnappingen betekenen vaak het einde van de reactie en vormen een kernuitdaging voor de ontwikkeling van kernfusie als een niet-vervuilende, vrijwel onbeperkte energiebron.

Maar een door Princeton geleid team bestaande uit ingenieurs, natuurkundigen en datawetenschappers van de universiteit en het Princeton Plasma Physics Laboratory (PPPL) heeft de kracht van kunstmatige intelligentie benut om de vorming van een specifiek plasmaprobleem in de praktijk te voorspellen – en vervolgens te voorkomen. tijd.

In experimenten bij de DIII-D National Fusion Facility in San Diego hebben de onderzoekers gedemonstreerd dat hun model, uitsluitend getraind op experimentele gegevens uit het verleden, potentiële plasma-instabiliteiten, bekend als tearing mode-instabiliteiten, tot 300 milliseconden van tevoren kon voorspellen.

Hoewel dat bij mensen niet meer dan genoeg tijd overlaat voor een langzaam knipperen, was het voor de AI-controller ruimschoots tijd om bepaalde bedrijfsparameters te wijzigen om te voorkomen dat zich een scheur in de magnetische veldlijnen van het plasma zou hebben ontwikkeld, waardoor het evenwicht en de opening van het plasma zouden worden verstoord. de deur voor een ontsnapping die de reactie beëindigt.

“Door te leren van experimenten uit het verleden, in plaats van informatie uit op fysica gebaseerde modellen op te nemen, zou de AI een definitief controlebeleid kunnen ontwikkelen dat een stabiel, krachtig plasmaregime in realtime, in een echte reactor, ondersteunde”, zegt onderzoeksleider Egemen Kolemen. , universitair hoofddocent werktuigbouwkunde en lucht- en ruimtevaarttechniek en het Andlinger Center for Energy and the Environment, en stafonderzoeksfysicus bij PPPL.

Het onderzoek opent de deur voor een meer dynamische controle van een fusiereactie dan de huidige benaderingen, en biedt een basis voor het gebruik van kunstmatige intelligentie om een ​​breed scala aan plasma-instabiliteiten op te lossen, die lange tijd obstakels zijn geweest voor het bereiken van een duurzame fusiereactie. Het team publiceerde hun bevindingen in Nature op 21 februari.

"Eerdere studies hebben zich over het algemeen gericht op het onderdrukken of verzachten van de effecten van deze scheurinstabiliteiten nadat ze in het plasma zijn opgetreden", zegt eerste auteur Jaemin Seo, een assistent-professor in de natuurkunde aan de Chung-Ang Universiteit in Zuid-Korea, die een groot deel van het werk heeft uitgevoerd. terwijl hij een postdoctoraal onderzoeker was in de groep van Kolemen. "Maar onze aanpak stelt ons in staat deze instabiliteiten te voorspellen en te vermijden voordat ze zich ooit voordoen."

Oververhit plasma dat in een donutvormig apparaat wervelt

Fusie vindt plaats wanneer twee atomen (meestal lichte atomen zoals waterstof) samenkomen om één zwaarder atoom te vormen, waarbij daarbij een grote hoeveelheid energie vrijkomt. Het proces drijft de zon aan en maakt bij uitbreiding het leven op aarde mogelijk.

Het is echter lastig om de twee atomen te laten samensmelten, omdat het enorme hoeveelheden druk en energie kost voordat de twee atomen hun wederzijdse afstoting kunnen overwinnen.

Gelukkig voor de zon zorgen de enorme zwaartekracht en de extreem hoge druk in de kern ervoor dat fusiereacties kunnen plaatsvinden. Om een ​​soortgelijk proces op aarde na te bootsen, gebruiken wetenschappers in plaats daarvan extreem heet plasma en extreem sterke magneten.

In donutvormige apparaten die bekend staan ​​als tokamaks (ook wel 'sterren in potten' genoemd) hebben magnetische velden moeite om plasma's te bevatten die boven de 100 miljoen graden Celsius komen, heter dan het centrum van de zon.

Hoewel er veel soorten plasma-instabiliteiten zijn die de reactie kunnen beëindigen, concentreerde het Princeton-team zich op het oplossen van instabiliteiten in de traanmodus, een verstoring waarbij de magnetische veldlijnen in een plasma feitelijk breken en een mogelijkheid creëren voor de daaropvolgende ontsnapping van het plasma.

"Instabiliteiten in de scheurmodus zijn een van de belangrijkste oorzaken van plasmaverstoring, en ze zullen nog prominenter worden als we proberen fusiereacties uit te voeren met de hoge vermogens die nodig zijn om voldoende energie te produceren", aldus Seo. "Ze vormen een belangrijke uitdaging voor ons om op te lossen."

Het samensmelten van kunstmatige intelligentie en plasmafysica

Omdat instabiliteiten in de tearing-modus binnen milliseconden een fusiereactie kunnen vormen en laten ontsporen, hebben de onderzoekers zich tot kunstmatige intelligentie gewend vanwege het vermogen ervan om snel nieuwe gegevens te verwerken en erop te reageren.

Maar het proces om een ​​effectieve AI-controller te ontwikkelen was niet zo eenvoudig als het uitproberen van een paar dingen op een tokamak, waar de tijd beperkt is en de inzet hoog is.

Co-auteur Azarakhsh Jalalvand, een onderzoeker in de groep van Kolemen, vergeleek het aanleren van een algoritme om een ​​fusiereactie in een tokamak uit te voeren met iemand leren hoe hij een vliegtuig moet besturen.

'Je zou het iemand niet leren door hem een ​​set sleutels te overhandigen en te zeggen dat hij zijn best moet doen', zei Jalalvand. "In plaats daarvan laat je ze oefenen op een zeer ingewikkelde vluchtsimulator totdat ze genoeg hebben geleerd om het echte werk uit te proberen."

Net als bij het ontwikkelen van een vluchtsimulator gebruikte het Princeton-team gegevens uit eerdere experimenten bij de DIII-D-tokamak om een ​​diep neuraal netwerk te construeren dat in staat is de waarschijnlijkheid van een toekomstige scheurinstabiliteit te voorspellen op basis van realtime plasmakarakteristieken.

Ze gebruikten dat neurale netwerk om een ​​versterkend leeralgoritme te trainen. Net als een pilot-stagiair zou het versterkende leeralgoritme verschillende strategieën voor het beheersen van plasma kunnen uitproberen, en met vallen en opstaan ​​leren welke strategieën werkten en welke niet binnen de veiligheid van een gesimuleerde omgeving.

"We leren het versterkingsleermodel niet alle complexe fysica van een fusiereactie", zei Jalalvand. ‘We vertellen het wat het doel is – het in stand houden van een krachtige reactie – wat het moet vermijden – een instabiliteit van de scheurmodus – en aan welke knoppen het kan draaien om die resultaten te bereiken. Na verloop van tijd leert het het optimale pad om het doel te bereiken hoge macht terwijl de straf van instabiliteit wordt vermeden."

Terwijl het model talloze gesimuleerde fusie-experimenten onderging, in een poging manieren te vinden om hoge energieniveaus te handhaven en tegelijkertijd instabiliteiten te vermijden, kon co-auteur SangKyeun Kim de acties observeren en verfijnen.

"Op de achtergrond kunnen we de bedoelingen van het model zien", zegt Kim, stafonderzoeker bij PPPL en voormalig postdoctoraal onderzoeker in de groep van Kolemen. "Sommige veranderingen die het model wil zijn te snel, dus werken we eraan om het model glad te strijken en te kalmeren. Als mensen bemiddelen we tussen wat de AI wil doen en wat de tokamak kan accommoderen."

Toen ze eenmaal vertrouwen hadden in de capaciteiten van de AI-controller, testten ze deze tijdens een feitelijk fusie-experiment bij de D-III D-tokamak, waarbij ze observeerden terwijl de controller realtime wijzigingen aanbracht in bepaalde tokamak-parameters om het begin van een instabiliteit te voorkomen. Deze parameters omvatten het veranderen van de vorm van het plasma en de sterkte van de bundels die energie in de reactie inbrengen.

"Het kunnen voorspellen van instabiliteiten van tevoren kan het gemakkelijker maken om deze reacties uit te voeren dan de huidige benaderingen, die passiever zijn", zegt Kim. "We hoeven niet langer te wachten tot de instabiliteit zich voordoet en dan snel corrigerende maatregelen te nemen voordat het plasma verstoord raakt."

Op weg naar de toekomst

Hoewel de onderzoekers zeiden dat het werk een veelbelovend proof-of-concept is dat aantoont hoe kunstmatige intelligentie fusiereacties effectief kan controleren, is het slechts een van de vele volgende stappen die al gaande zijn in de groep van Kolemen om het veld van fusieonderzoek vooruit te helpen.

De eerste stap is om meer bewijs te krijgen van de AI-controller in actie bij de DIII-D-tokamak, en vervolgens de controller uit te breiden om te functioneren bij andere tokamaks.

"We hebben sterk bewijs dat de controller redelijk goed werkt bij DIII-D, maar we hebben meer gegevens nodig om aan te tonen dat deze in een aantal verschillende situaties kan werken", aldus eerste auteur Seo. "We willen werken aan iets dat universeler is."

Een tweede onderzoekslijn omvat het uitbreiden van het algoritme om veel verschillende besturingsproblemen tegelijkertijd aan te kunnen. Hoewel het huidige model een beperkt aantal diagnostische gegevens gebruikt om één specifiek type instabiliteit te voorkomen, zouden de onderzoekers gegevens kunnen verstrekken over andere soorten instabiliteit en toegang kunnen geven tot meer knoppen waarop de AI-controller kan afstemmen.

"Je zou je één grote beloningsfunctie kunnen voorstellen die aan veel verschillende knoppen draait om tegelijkertijd verschillende soorten instabiliteiten te controleren", zegt co-auteur Ricardo Shousha, een postdoc bij PPPL en voormalig afgestudeerde student in de groep van Kolemen die ondersteuning bood voor de experimenten bij DIII- D.

En op weg naar het ontwikkelen van betere AI-controllers voor fusiereacties zouden onderzoekers ook meer inzicht kunnen krijgen in de onderliggende fysica. Door de beslissingen van de AI-controleur te bestuderen terwijl deze probeert het plasma in bedwang te houden, wat radicaal anders kan zijn dan wat traditionele benaderingen zouden kunnen voorschrijven, kan kunstmatige intelligentie niet alleen een hulpmiddel zijn om fusiereacties te controleren, maar ook een leermiddel.

“Uiteindelijk kan het meer zijn dan alleen een eenrichtingsverkeer tussen wetenschappers die deze AI-modellen ontwikkelen en inzetten”, zegt Kolemen. "Door ze gedetailleerder te bestuderen, kunnen ze ons misschien ook bepaalde dingen leren."

Meer informatie: Egemen Kolemen, Traaninstabiliteit in fusieplasma vermijden met behulp van diepgaand versterkend leren, Natuur (2024). DOI:10.1038/s41586-024-07024-9. www.nature.com/articles/s41586-024-07024-9

Journaalinformatie: Natuur

Aangeboden door Princeton University