Robert Granetz har varit forskare vid MIT:s Plasma Science and Fusion Center i mer än 40 år. Han höll nyligen ett föredrag anordnat av MIT Energy Initiative (MITEI) om att använda maskininlärning för att utveckla ett varningssystem i realtid för förestående störningar i fusionsreaktorer. En specialist på magnetohydrodynamiska instabiliteter och störningar, Granetz diskuterade hur forskning inom detta område tar oss ett steg närmare att skapa ett stall, nätenergiproducerande fusionsanordning.

F:Vad skiljer plasma från andra materiatillstånd? Vilka är utmaningarna med att arbeta med plasma som energikälla?

A:I en gas vid normala temperaturer, de negativt laddade elektronerna och positivt laddade kärnorna är tätt bundna till atomer eller molekyler, som är elektriskt neutrala. Därför, det finns inga krafter mellan partiklar om de inte råkar kollidera. (Gravitationskraften verkar mellan alla massor, men gravitationen är alldeles för svag för att vara relevant.)

När gaspartiklar kolliderar, kollisionerna involverar bara ett par partiklar åt gången, och kinematiken för kollisionen är mycket enkel, precis som biljardbollskollisioner. Så vi kan enkelt beräkna beteendet hos gaser. Dock, vid de höga temperaturer som vi behöver för fusion, den termiska energin för varje atom eller molekyl är mycket, mycket större än bindningsenergin som håller ihop elektronerna och kärnorna, så de neutrala partiklarna bryts upp i sina beståndsdelar, dvs elektroner och kärnor, som vi kallar "plasmatillståndet".

Därför, i en plasma, alla partiklar är laddade, och det finns långväga elektriska och magnetiska krafter som verkar mellan partiklarna. En enskild elektron eller jon påverkar rörelsen av ungefär en miljard andra elektroner och joner samtidigt, och alla dessa miljarder andra partiklar påverkar samtidigt varannan individuell partikel. Dessutom, elektronerna och kärnorna har extremt olika massor, så deras hastigheter är väldigt olika. Också, eftersom alla partiklar är laddade, de kan interagera starkt med elektromagnetisk strålning. Alla dessa komplicerande egenskaper innebär att i praktiken, vi kan inte exakt beräkna det detaljerade beteendet hos plasma utifrån fysikens grundläggande ekvationer.

F:I samband med fusionsreaktorer, vad är en störning?

A:Hittills tokamak-konceptet för en stationär fusionsreaktor överträffar alla andra koncept när det gäller energiinneslutning. Tokamak förlitar sig på att driva en stor ström - i storleksordningen miljoner ampere - genom plasman för att producera den magnetiska fältstruktur som krävs för att få bra energiinneslutning. Dock, denna stora plasmaström är något instabil, och är föremål för plötslig uppsägning, vanligtvis med mycket liten varning. När ett avbrott inträffar, den avsevärda termiska och magnetiska energin som finns i plasman frigörs plötsligt mycket snabbt, vilket kan leda till skadliga termiska och elektromagnetiska belastningar på reaktorstrukturen.

Hela målet med fusionsenergi är att utveckla stora kraftverk för att generera elektrisk kraft på nätet, och ersätta dagens fossildrivna kraftverk, och till och med ersätta kärnkraftverk för klyvning. Men om ett fusionskraftverk utsätts för störningar, dess elektricitet skulle plötsligt stängas av. Även om de mest skadliga konsekvenserna kan undvikas, det kan ta timmar eller dagar innan växten kan återhämta sig och komma online igen, bara för att bli föremål för ytterligare ett avbrott vid något senare tillfälle. Inget företag skulle vilja använda fusionsenergi om så var fallet. Om vi ​​ska förlita oss på tokamak-konceptet för fusionsreaktorer, vi måste undvika eller mildra störningar.

F:Hur kan maskininlärning lösa detta problem?

S:Tecken på att ett avbrott är nära förestående är ofta ganska subtila. Fusionsforskare mäter kontinuerligt ett antal karakteristiska plasmaparametrar under en plasmaurladdning, och vi har anledning att tro, både från empiriska experimentella bevis och från teoretisk förståelse, att vissa av dessa uppmätta plasmaparametrar kan ge indikationer på att en störning är på väg att inträffa. Men denna information är inte enkel att tolka, inte bara med avseende på förekomsten av en förestående störning, men också med hänsyn till tidpunkten för en förestående störning.

I ett försök att lösa detta problem, mitt team – som består av mig själv, postdoc Cristina Rea, doktorander Kevin Montes och Alex Tinguely, och ett dussin forskare vid andra amerikanska och internationella laboratorier – har byggt upp stora databaser med uppmätta parametrar som vi tror är relevanta för störningar, från flera års experiment på flera olika tokamaks runt om i världen. Vi tillämpar nu maskininlärningstekniker på dessa data för att se om vi kan urskilja några mönster som exakt skulle kunna förutsäga om en störning kommer att inträffa vid en specifik tidpunkt inom en snar framtid. När man har att göra med stora, komplicerade datamängder, maskininlärning kan vara ett kraftfullt sätt att hitta subtila mönster i data som undviker mänskliga ansträngningar.

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.