Den invecklade dansen av atomer som smälter samman och frigör energi har fascinerat forskare i årtionden. Nu samlas mänsklig uppfinningsrikedom och artificiell intelligens vid det amerikanska energidepartementets (DOE) Princeton Plasma Physics Laboratory (PPPL) för att lösa en av mänsklighetens mest angelägna problem:generera ren, pålitlig energi från sammansmältning av plasma.
Till skillnad från traditionell datorkod är maskininlärning – en typ av artificiellt intelligent programvara – inte bara en lista med instruktioner. Maskininlärning är programvara som kan analysera data, sluta sig till samband mellan funktioner, lära av denna nya kunskap och anpassa sig. PPPL-forskare tror att denna förmåga att lära och anpassa sig kan förbättra deras kontroll över fusionsreaktioner på olika sätt. Detta inkluderar att fullända utformningen av kärl som omger den superheta plasman, optimera uppvärmningsmetoder och bibehålla stabil kontroll över reaktionen under allt längre perioder.
Laboratoriets forskning om artificiell intelligens ger redan betydande resultat. I en ny artikel publicerad i Nature Communications , förklarar PPPL-forskare hur de använde maskininlärning för att undvika magnetiska störningar, eller störningar, som destabiliserar fusionsplasma.
"Resultaten är särskilt imponerande eftersom vi kunde uppnå dem på två olika tokamaks med samma kod", säger PPPL Staff Research Physicist SangKyeun Kim, huvudförfattaren till uppsatsen. En tokamak är en munkformad enhet som använder magnetfält för att hålla ett plasma.
"Det finns instabiliteter i plasma som kan leda till allvarliga skador på fusionsanordningen. Vi kan inte ha dem i ett kommersiellt fusionskärl. Vårt arbete går framåt och visar att artificiell intelligens kan spela en viktig roll för att hantera fusionsreaktioner framöver. , undvika instabilitet och samtidigt tillåta plasma att generera så mycket fusionsenergi som möjligt", säger Egemen Kolemen, docent vid avdelningen för mekanisk och rymdteknik, tillsammans med Andlinger Center for Energy and the Environment och PPPL.
Viktiga beslut måste fattas varje millisekund för att kontrollera ett plasma och hålla igång en fusionsreaktion. Kolemens system kan fatta dessa beslut mycket snabbare än en människa och automatiskt justera inställningarna för fusionskärlet så att plasman underhålls ordentligt. Systemet kan förutsäga störningar, ta reda på vilka inställningar som ska ändras och sedan göra dessa ändringar innan instabiliteten inträffar.
Kolemen noterar att resultaten också är imponerande eftersom plasman i båda fallen var i ett högt inneslutet läge. Även känd som H-mode, detta inträffar när en magnetiskt begränsad plasma värms upp tillräckligt för att inneslutningen av plasmat plötsligt och avsevärt förbättras, och turbulensen vid plasmans kant effektivt försvinner. H-läge är det svåraste läget att stabilisera men också det läge som kommer att vara nödvändigt för kommersiell kraftgenerering.
Systemet distribuerades framgångsrikt på två tokamak, DIII-D och KSTAR, som båda uppnådde H-läge utan instabilitet. Detta är första gången som forskare uppnår denna bedrift i en reaktormiljö som är relevant för vad som kommer att behövas för att distribuera fusionskraft i kommersiell skala.
PPPL har en betydande historia av att använda artificiell intelligens för att tämja instabiliteter. PPPL:s forskningsfysiker William Tang och hans team var de första som visade förmågan att överföra denna process från en tokamak till en annan under 2019.
"Vårt arbete uppnådde genombrott med hjälp av artificiell intelligens och maskininlärning tillsammans med kraftfulla, moderna högpresterande datorresurser för att integrera enorma mängder data på tusendelar av en sekund och utveckla modeller för att hantera störande fysikhändelser långt innan de började," sa Tang. "Du kan inte effektivt bekämpa störningar på mer än några millisekunder. Det skulle vara som att börja behandla en dödlig cancer efter att det redan har gått för långt."
Arbetet beskrevs i en artikel publicerad i Nature 2019. Tang och hans team fortsätter att arbeta inom detta område, med tonvikt på att eliminera realtidsstörningar i tokamaks med hjälp av maskininlärningsmodeller som tränats på korrekt verifierade och validerade observationsdata.
PPPL:s artificiella intelligensprojekt för fusion sträcker sig bortom tokamaks. PPPL:s chef för digital teknik, Michael Churchill, använder maskininlärning för att förbättra designen av en annan typ av fusionsreaktor, en stellarator. Om tokamaks ser ut som munkar kan stellaratorer ses som fusionsvärldens crullers med en mer komplex, vriden design.
"Vi måste utnyttja många olika koder när vi validerar designen av en stellarator.
Så frågan blir, "Vilka är de bästa koderna för stellaratordesign och de bästa sätten att använda dem?", sa Churchill. "Det är en balansgång mellan detaljnivån i beräkningarna och hur snabbt de ger svar."
Aktuella simuleringar för tokamaks och stellaratorer kommer nära verkligheten men är ännu inte tvillingar. "Vi vet att våra simuleringar inte är 100% sanna mot den verkliga världen. Många gånger vet vi att det finns brister. Vi tror att det fångar mycket av dynamiken som du skulle se på en fusionsmaskin, men det finns en hel del att vi inte gör det."
Churchill sa idealiskt att du vill ha en digital tvilling:ett system med en återkopplingsslinga mellan simulerade digitala modeller och verkliga data som fångats i experiment. "I en användbar digital tvilling kan den fysiska data användas och utnyttjas för att uppdatera den digitala modellen för att bättre förutsäga hur framtida prestanda skulle se ut."
Föga överraskande kräver att efterlikna verkligheten mycket mycket sofistikerad kod. Utmaningen är att ju mer komplicerad koden är, desto längre tid tar det vanligtvis att köra. Till exempel kan en vanlig kod som kallas X-Point Included Gyrokinetic Code (XGC) bara köras på avancerade superdatorer, och även då går den inte snabbt.
"Du kommer inte att köra XGC varje gång du kör ett fusionsexperiment om du inte har en dedikerad exascale superdator. Vi har förmodligen kört den på 30 till 50 plasmaurladdningar [av de tusentals vi har kört]," sa Churchill.
Det är därför Churchill använder artificiell intelligens för att accelerera olika koder och själva optimeringsprocessen. "Vi skulle verkligen vilja göra beräkningar med högre kvalitet men mycket snabbare så att vi kan optimera snabbt," sa han.
Kodning för att optimera kod
På liknande sätt använder forskningsfysikern Stefano Munarettos team artificiell intelligens för att accelerera en kod som kallas HEAT, som ursprungligen utvecklades av DOE:s Oak Ridge National Laboratory och University of Tennessee-Knoxville för PPPL:s tokamak NSTX-U.
HEAT uppdateras så att plasmasimuleringen kommer att vara 3D, som matchar 3D-modellen för datorstödd design (CAD) av tokamak-avledaren. Belägen vid basen av fusionskärlet, utvinner avledaren värme och aska som genereras under reaktionen. En 3D-plasmamodell bör öka förståelsen för hur olika plasmakonfigurationer kan påverka värmeflöden eller värmens rörelsemönster i tokamak. Att förstå värmerörelsen för en specifik plasmakonfiguration kan ge insikter i hur värme sannolikt kommer att färdas i en framtida urladdning med en liknande plasma.
Genom att optimera HEAT hoppas forskarna snabbt kunna köra den komplexa koden mellan plasmabilder och använda information om det sista skottet för att avgöra nästa.
"Detta skulle tillåta oss att förutsäga värmeflödena som kommer att dyka upp i nästa skott och att eventuellt återställa parametrarna för nästa skott så att värmeflödet inte är för intensivt för avledaren," sa Munaretto. "Detta arbete kan också hjälpa oss att designa framtida fusionskraftverk."
PPPL Associated Research Physicist Doménica Corona Rivera har varit djupt involverad i arbetet med att optimera HEAT. Nyckeln är att begränsa ett brett spektrum av inmatningsparametrar till bara fyra eller fem så att koden blir strömlinjeformad men ändå mycket exakt. "Vi måste fråga, "Vilka av dessa parametrar är meningsfulla och kommer verkligen att påverka värmen?", sa Corona Rivera. Det är nyckelparametrarna som används för att träna maskininlärningsprogrammet.
Med stöd från Churchill och Munaretto har Corona Rivera redan avsevärt minskat tiden det tar att köra koden för att beakta värmen samtidigt som resultaten hålls ungefär 90 % synkroniserade med de från originalversionen av HEAT. "Det är omedelbart", sa hon.
Forskare försöker också hitta de bästa förutsättningarna för att värma jonerna i plasman genom att fullända en teknik som kallas ion cyclotron radio frequency heating (ICRF). Denna typ av uppvärmning fokuserar på att värma upp de stora partiklarna i plasman – jonerna.
Plasma har olika egenskaper, såsom densitet, tryck, temperatur och magnetfältets intensitet. Dessa egenskaper förändrar hur vågorna interagerar med plasmapartiklarna och bestämmer vågornas banor och områden där vågorna kommer att värma plasman. Att kvantifiera dessa effekter är avgörande för att kontrollera radiofrekvensuppvärmningen av plasmat så att forskare kan säkerställa att vågorna rör sig effektivt genom plasmat för att värma upp det i rätt områden.
Problemet är att standardkoderna som används för att simulera plasma- och radiovågsinteraktioner är mycket komplicerade och går för långsamt för att kunna användas för att fatta beslut i realtid.
"Maskininlärning ger oss en stor potential här för att optimera koden", säger Álvaro Sánchez Villar, biträdande forskningsfysiker vid PPPL. "I grund och botten kan vi kontrollera plasman bättre eftersom vi kan förutsäga hur plasman kommer att utvecklas, och vi kan korrigera det i realtid."
Projektet fokuserar på att prova olika typer av maskininlärning för att påskynda en allmänt använd fysikkod. Sánchez Villar och hans team visade flera accelererade versioner av koden för olika fusionsenheter och typer av uppvärmning. Modellerna kan hitta svar på mikrosekunder istället för minuter med minimal påverkan på resultatens noggrannhet. Sánchez Villar och hans team kunde också använda maskininlärning för att eliminera utmanande scenarier med den optimerade koden.
Sánchez Villar säger att kodens noggrannhet, "ökade robusthet" och acceleration gör den väl lämpad för integrerad modellering, där många fysikkoder används tillsammans, och realtidskontrollapplikationer, som är avgörande för fusionsforskning.
PPPL huvudforskningsfysiker Fatima Ebrahimi är huvudutredare i ett fyraårigt projekt för DOE:s Advanced Scientific Computing Research-program, en del av Office of Science, som använder experimentella data från olika tokamaks, plasmasimuleringsdata och artificiell intelligens för att studera beteendet av plasmans kant under fusion. Teamet hoppas att deras resultat kommer att avslöja de mest effektiva sätten att begränsa en plasma på en tokamak i kommersiell skala.
Även om projektet har flera mål är målet tydligt ur ett maskininlärningsperspektiv. "Vi vill utforska hur maskininlärning kan hjälpa oss att dra nytta av all vår data och simuleringar så att vi kan täppa till de tekniska luckorna och integrera en högpresterande plasma i ett livskraftigt fusionskraftverkssystem," sa Ebrahimi.
Det finns en mängd experimentella data som samlats in från tokamaks över hela världen medan enheterna fungerade i ett tillstånd fritt från storskaliga instabiliteter vid plasmans kant, känt som edge-localized modes (ELMs). Sådana momentana, explosiva ELM:er måste undvikas eftersom de kan skada de inre komponenterna i en tokamak, dra föroreningar från tokamaks väggar in i plasman och göra fusionsreaktionen mindre effektiv. Frågan är hur man uppnår ett ELM-fritt tillstånd i en tokamak i kommersiell skala, som kommer att vara mycket större och vara mycket hetare än dagens experimentella tokamak.
Ebrahimi och hennes team kommer att kombinera experimentresultaten med information från plasmasimuleringar som redan har validerats mot experimentella data för att skapa en hybriddatabas. Databasen kommer sedan att användas för att träna maskininlärningsmodeller om plasmahantering, som sedan kan användas för att uppdatera simuleringen.
"Det är lite fram och tillbaka mellan träningen och simuleringen," förklarade Ebrahimi.
Genom att köra en högfientlig simulering av maskininlärningsmodellen på superdatorer kan forskarna sedan göra hypoteser om scenarier utöver de som täcks av befintliga data. Detta kan ge värdefulla insikter om de bästa sätten att hantera plasmans fördel i kommersiell skala.
Mer information: S. K. Kim et al, Högsta fusionsprestanda utan skadliga kantenergiskurar i tokamak, Nature Communications (2024). DOI:10.1038/s41467-024-48415-w
Journalinformation: Nature Communications , Natur
Tillhandahålls av Princeton Plasma Physics Laboratory
