En student vid Carnegie Mellon Universitys School of Computer Science (SCS) har använt förstärkningsinlärning för att hjälpa till att kontrollera kärnfusionsreaktioner, ett viktigt steg mot att utnyttja den enorma kraft som produceras i kärnfusion som en källa till ren, riklig energi.

Ian Char, doktorand vid maskininlärningsavdelningen, använde förstärkningsinlärning för att kontrollera väteplasman i tokamakmaskinen vid DIII-D National Fusion Facility i San Diego. Han var den första CMU-forskaren som körde ett experiment på de eftertraktade maskinerna, den första som använde förstärkningsinlärning för att påverka rotationen av en tokamakplasma, och den första personen som provade förstärkningsinlärning på den största fungerande tokamakmaskinen i USA . Char samarbetade med Princeton Plasma Physics Laboratory (PPPL) om arbetet.

"Förstärkningsinlärning påverkade plasmans tryck och dess rotation," sa Char. "Och det är verkligen vår stora första här."

Kärnfusion sker när vätekärnor krossas, eller smälter samman. Denna process frigör en enorm mängd energi men är fortfarande utmanande att hålla på de nivåer som krävs för att lägga elektricitet på nätet. Vätekärnor kommer bara att smälta samman under extremt höga temperaturer och tryck som de som finns i solens mitt, där kärnfusion sker naturligt. Fysiker har också uppnått kärnfusion i termonukleära vapen, men dessa är inte användbara som energikällor.

En annan metod för att producera kärnfusion använder magnetfält för att innehålla ett plasma av väte vid den temperatur och det tryck som krävs för att smälta samman kärnorna. Denna process sker inuti en tokamak - en massiv maskin som använder magnetfält för att begränsa väteplasman i en munkform som kallas en torus. Att innehålla plasman och behålla dess form kräver hundratals mikromanipulationer av magnetfälten och sprängningar av ytterligare vätepartiklar.

Det finns få storskaliga tokamakar som är verksamma i världen som kan underlätta den här typen av forskning, och tid att köra experiment på dem är eftertraktad. DIII-D National Fusion Facility är den enda som är verksam i USA.

DeepMind, ett dotterbolag med artificiell intelligens till Alphabet, Googles moderbolag, var först med att använda förstärkningsinlärning för att kontrollera magnetfältet som innehåller fusionsreaktionen. Labbet höll framgångsrikt plasman stadigt och skulpterade den till olika former. DeepMind körde sitt experiment på Variable Configuration Tokamak (TCV) i Lausanne, Schweiz, och publicerade sina resultat i februari i Nature .

Char var den första att köra ett liknande förstärkningsinlärningsexperiment vid DIII-D. Förstärkningsinlärning använder data från tidigare försök för att uppnå ett optimalt resultat. Under Chars experiment undersökte förstärkningsinlärningsalgoritmer historiska data och realtidsdata för att variera och kontrollera hastigheten på plasmans rotation i jakten på optimal stabilitet.

Plasmamunken roterar när ytterligare vätepartiklar skjuts in i den. Att variera hastigheten på dessa skottpartiklar kan potentiellt stabilisera plasmat och göra det lättare att innehålla. Char använde två inlärningsalgoritmer för sitt experiment. I det ena använde han data från tokamak som samlats in under flera år för att träna den på hur plasman reagerar. Den andra algoritmen observerar plasmans tillstånd och bestämmer sedan med vilken hastighet och riktning de ytterligare partiklarna ska skjutas in för att påverka dess hastighet.

"Det kortsiktiga målet är att ge fysikerna verktygen för att orsaka denna differentiella rotation så att de kan göra experimenten för att göra denna plasma mer stabil", säger Jeff Schneider, forskningsprofessor vid Robotics Institute och Chars Ph.D. rådgivare. "Långsiktigt visar detta arbete en väg till att använda förstärkningsinlärning för att kontrollera andra delar av plasmatillståndet och i slutändan uppnå temperaturer och tryck tillräckligt länge för att ha ett kraftverk. Det skulle innebära obegränsad, ren energi för alla."

Char presenterade projektet för DIII-D, som är en användaranläggning för vetenskapsdepartementet i USA:s energikontor som förvaltas av General Atomics, förra året och fick tre timmars tid för att köra sina algoritmer den 28 juni. Sitter i kontrollrummet på den massiva DIII-D-anläggningen och omgiven av operatörer laddade Char sina algoritmer.

Char visade att hans algoritmer kunde kontrollera hastigheten på plasmans rotation. Detta var första gången förstärkningsinlärning användes för att kontrollera rotationen. Vissa problem smög sig upp under kontrollsessionen och fler tester behövs. Char återvände till DIII-D i slutet av augusti för att fortsätta sitt arbete.

"Ian visade en enorm förmåga att smälta fusionsenhetsspecifika kontrollproblem och plasmafysik som understryker det", säger Egemen Kolemen, docent vid Princeton Universitys Mechanical and Aerospace Engineering Department och en av Chars medarbetare vid PPPL. "Det är en stor bedrift att tillämpa teorin han lärt sig vid CMU på ett verkligt fusionsproblem och leda ett experiment på en nationell fusionsanläggning. Det arbetet kräver normalt år av plasmafysik och ingenjörsutbildning." + Utforska vidare

EPFL och DeepMind använder AI för att kontrollera plasma för kärnfusion