På ett ögonblick kan den oregerliga, överhettade plasman som driver en fusionsreaktion förlora sin stabilitet och undkomma de starka magnetfälten som begränsar den i den munkformade fusionsreaktorn. Dessa tillflyktsorter innebär ofta slutet på reaktionen och utgör en kärnutmaning för att utveckla fusion som en icke-förorenande, praktiskt taget obegränsad energikälla.
Men ett Princeton-ledd team bestående av ingenjörer, fysiker och datavetare från universitetet och Princeton Plasma Physics Laboratory (PPPL) har utnyttjat kraften hos artificiell intelligens för att förutsäga – och sedan undvika – bildandet av ett specifikt plasmaproblem i verkligheten tid.
I experiment vid DIII-D National Fusion Facility i San Diego visade forskarna att deras modell, som endast tränades på tidigare experimentella data, kunde förutsäga potentiella plasmainstabiliteter som kallas rivlägesinstabiliteter upp till 300 millisekunder i förväg.
Även om det inte lämnar mer än tillräckligt med tid för en långsam blinkning hos människor, var det gott om tid för AI-kontrollern att ändra vissa driftsparametrar för att undvika vad som skulle ha utvecklats till en rivning i plasmans magnetfältslinjer, vilket rubbar dess jämvikt och öppnande. dörren för en reaktionsslutande flykt.
"Genom att lära av tidigare experiment, snarare än att införliva information från fysikbaserade modeller, skulle AI kunna utveckla en slutgiltig kontrollpolicy som stödde en stabil, kraftfull plasmaregim i realtid, vid en riktig reaktor", säger forskningsledaren Egemen Kolemen , docent i maskin- och rymdteknik och Andlinger Center for Energy and the Environment, samt anställd forskningsfysiker vid PPPL.
Forskningen öppnar dörren för mer dynamisk kontroll av en fusionsreaktion än nuvarande tillvägagångssätt, och den ger en grund för att använda artificiell intelligens för att lösa ett brett spektrum av plasmainstabiliteter, som länge har varit hinder för att uppnå en ihållande fusionsreaktion. Teamet publicerade sina resultat i Nature den 21 februari.
"Tidigare studier har i allmänhet fokuserat på att antingen undertrycka eller mildra effekterna av dessa rivningsinstabiliteter efter att de inträffat i plasman", säger första författaren Jaemin Seo, biträdande professor i fysik vid Chung-Ang University i Sydkorea som utförde mycket av arbetet. samtidigt som postdoktor i Kolemens grupp. "Men vårt tillvägagångssätt tillåter oss att förutsäga och undvika dessa instabiliteter innan de någonsin dyker upp."
Fusion äger rum när två atomer - vanligtvis lätta atomer som väte - går samman för att bilda en tyngre atom och frigör en stor mängd energi i processen. Processen driver solen, och i förlängningen gör livet på jorden möjligt.
Det är dock svårt att få de två atomerna att smälta samman, eftersom det krävs enorma mängder tryck och energi för de två atomerna att övervinna sin ömsesidiga repulsion.
Lyckligtvis för solen tillåter dess massiva gravitationskraft och extremt höga tryck i dess kärna fusionsreaktioner att fortsätta. För att replikera en liknande process på jorden använder forskare istället extremt het plasma och extremt starka magneter.
I munkformade enheter som kallas tokamaks – ibland kallade "stjärnor i burkar" – kämpar magnetfält för att innehålla plasma som når över 100 miljoner grader Celsius, varmare än solens mitt.
Även om det finns många typer av plasmainstabiliteter som kan avsluta reaktionen, koncentrerade Princeton-teamet på att lösa instabiliteter i rivläge, en störning där magnetfältslinjerna i ett plasma faktiskt bryter och skapar en möjlighet för plasmans efterföljande flykt.
"Rivningslägesinstabilitet är en av huvudorsakerna till plasmastörningar, och de kommer att bli ännu mer framträdande när vi försöker köra fusionsreaktioner med de höga krafter som krävs för att producera tillräckligt med energi", säger Seo. "De är en viktig utmaning för oss att lösa."
Eftersom instabilitet i rivläge kan bilda och spåra ur en fusionsreaktion på millisekunder, vände sig forskarna till artificiell intelligens för dess förmåga att snabbt bearbeta och agera som svar på nya data.
Men processen att utveckla en effektiv AI-kontroller var inte så enkel som att prova några saker på en tokamak, där tiden är begränsad och insatserna är höga.
Medförfattaren Azarakhsh Jalalvand, en forskare i Kolemens grupp, jämförde att lära ut en algoritm för att köra en fusionsreaktion i en tokamak med att lära någon hur man flyger ett plan.
"Du skulle inte lära någon genom att ge dem en uppsättning nycklar och säga åt dem att göra sitt bästa," sa Jalalvand. "Istället skulle du få dem att öva på en mycket komplicerad flygsimulator tills de har lärt sig tillräckligt för att prova den äkta varan."
Precis som att utveckla en flygsimulator använde Princeton-teamet data från tidigare experiment vid DIII-D tokamak för att konstruera ett djupt neuralt nätverk som kan förutsäga sannolikheten för en framtida rivningsinstabilitet baserat på plasmaegenskaper i realtid.
De använde det neurala nätverket för att träna en förstärkningsinlärningsalgoritm. Liksom en pilotpraktikant kunde förstärkningsinlärningsalgoritmen prova olika strategier för att kontrollera plasma, lära sig genom försök och misstag vilka strategier som fungerade och vilka som inte var inom säkerheten i en simulerad miljö.
"Vi lär inte ut förstärkningsinlärningsmodellen all den komplexa fysiken i en fusionsreaktion," sa Jalalvand. "Vi berättar vad målet är - att upprätthålla en kraftfull reaktion - vad den ska undvika - en instabilitet i rivningsläge - och vilka rattar den kan vrida för att uppnå dessa resultat. Med tiden lär den sig den optimala vägen för att uppnå målet att hög effekt samtidigt som man undviker straffet för en instabilitet."
Medan modellen gick igenom otaliga simulerade fusionsexperiment och försökte hitta sätt att bibehålla höga effektnivåer och samtidigt undvika instabilitet, kunde medförfattaren SangKyeun Kim observera och förfina dess handlingar.
"I bakgrunden kan vi se avsikterna med modellen", säger Kim, en stabsforskare vid PPPL och tidigare postdoktor i Kolemens grupp. "En del av förändringarna som modellen vill ha är för snabba, så vi arbetar för att jämna ut och lugna modellen. Som människor skiljer vi mellan vad AI vill göra och vad tokamak kan ta emot."
När de väl var säkra på AI-styrenhetens förmågor testade de den under ett verkligt fusionsexperiment på D-III D-tokamak, och observerade när styrenheten gjorde realtidsändringar av vissa tokamak-parametrar för att undvika uppkomsten av en instabilitet. Dessa parametrar innefattade att ändra formen på plasman och styrkan på strålarna som matar in kraft i reaktionen.
"Att kunna förutsäga instabiliteter i förväg kan göra det lättare att köra dessa reaktioner än nuvarande tillvägagångssätt, som är mer passiva", sa Kim. "Vi behöver inte längre vänta på att instabiliteten ska inträffa och sedan vidta snabba korrigerande åtgärder innan plasman störs."
Även om forskarna sa att arbetet är ett lovande proof-of-concept som visar hur artificiell intelligens effektivt kan kontrollera fusionsreaktioner, är det bara ett av många nästa steg som redan pågår i Kolemens grupp för att främja fusionsforskningsområdet.
Det första steget är att få fler bevis på AI-kontrollern i aktion på DIII-D tokamak, och sedan utöka kontrollern för att fungera på andra tokamak.
"Vi har starka bevis för att kontrollern fungerar ganska bra på DIII-D, men vi behöver mer data för att visa att den kan fungera i ett antal olika situationer", säger första författaren Seo. "Vi vill arbeta mot något mer universellt."
En andra forskningslinje innebär att utöka algoritmen för att hantera många olika kontrollproblem samtidigt. Medan den nuvarande modellen använder ett begränsat antal diagnostik för att undvika en specifik typ av instabilitet, kan forskarna tillhandahålla data om andra typer av instabiliteter och ge tillgång till fler rattar för AI-kontrollern att ställa in.
"Du kan föreställa dig en stor belöningsfunktion som vrider på många olika rattar för att samtidigt kontrollera flera typer av instabiliteter", säger medförfattaren Ricardo Shousha, postdoc vid PPPL och tidigare doktorand i Kolemens grupp som gav stöd för experimenten på DIII- D.
Och på vägen till att utveckla bättre AI-kontroller för fusionsreaktioner kan forskare också få mer förståelse för den underliggande fysiken. Genom att studera AI-styrenhetens beslut när den försöker hålla inne plasman, vilket kan vara radikalt annorlunda än vad traditionella tillvägagångssätt kan föreskriva, kan artificiell intelligens inte bara vara ett verktyg för att kontrollera fusionsreaktioner utan också en undervisningsresurs.
"Så småningom kan det vara mer än bara en enkelriktad interaktion mellan forskare som utvecklar och distribuerar dessa AI-modeller", säger Kolemen. "Genom att studera dem mer i detalj kan de ha vissa saker som de också kan lära oss."
Mer information: Egemen Kolemen, Att undvika rivningsinstabilitet i fusionsplasma med hjälp av djup förstärkningsinlärning, Nature (2024). DOI:10.1038/s41586-024-07024-9. www.nature.com/articles/s41586-024-07024-9
Journalinformation: Natur
Tillhandahålls av Princeton University
