Zespół badaczy zajmujących się fuzją jądrową z Princeton i Laboratorium Fizyki Plazmy (PPPL) Departamentu Energii Stanów Zjednoczonych wykorzystał uczenie maszynowe do kontrolowania szkodliwych wybuchów energii w plazmie, co jest kluczowym wyzwaniem w osiąganiu trwałych reakcji termojądrowych. Zespół kierowany przez Egemena Kolemena zademonstrował najwyższą wydajność fuzji bez tych wybuchów energii w dwóch różnych obiektach. Podejście oparte na uczeniu maszynowym znacznie skraca czas obliczeń, umożliwiając dostosowanie warunków plazmy w czasie rzeczywistym. Odkrycia zespołu, opublikowane w Nature Communications, podkreślają potencjał sztucznej inteligencji w pokonywaniu wyzwań związanych z rozwojem energii termojądrowej jako czystego źródła energii.
Uczenie maszynowe zwiększa wydajność reaktora termojądrowego
Reaktory termojądrowe, potencjalna przyszłość czystej energii, działają w warunkach delikatnej równowagi. Wysokowydajna plazma musi być gęsta, gorąca i zamknięta wystarczająco długo, aby doszło do fuzji. Jednak w miarę jak naukowcy przesuwają granice wydajności plazmy, napotykają wyzwania w kontrolowaniu plazmy, w tym wybuchy energii z krawędzi plazmy. Wybuchy te mogą z czasem negatywnie wpływać na wydajność i uszkadzać elementy reaktora.
Zespół naukowców zajmujących się fuzją jądrową pod kierownictwem Princeton i Princeton Plasma Physics Laboratory (PPPL) Departamentu Energii Stanów Zjednoczonych z powodzeniem wykorzystał uczenie maszynowe do tłumienia tych szkodliwych niestabilności krawędzi bez poświęcania wydajności plazmy. Ich odkrycia, opublikowane w Nature Communications, podkreślają potencjał uczenia maszynowego i sztucznej inteligencji w zarządzaniu niestabilnościami plazmy.
Wyzwanie związane z trybem wysokiej finezji
Jednym z obiecujących podejść do osiągnięcia warunków niezbędnych do fuzji jądrowej jest praca reaktora w trybie wysokiego uwięzienia. Tryb ten charakteryzuje się stromym gradientem ciśnienia na krawędzi plazmy, co zwiększa jej zamknięcie. Jednak tryb ten często prowadzi do niestabilności na krawędzi plazmy, co wymaga kreatywnych rozwiązań od naukowców zajmujących się fuzją jądrową.
Jedno z takich rozwiązań polega na wykorzystaniu cewek magnetycznych otaczających reaktor termojądrowy w celu przyłożenia pola magnetycznego do krawędzi plazmy, zakłócając struktury, które mogłyby przekształcić się w pełnoprawną niestabilność krawędziową. Rozwiązanie to nie jest jednak idealne: chociaż stabilizuje plazmę, zazwyczaj prowadzi do obniżenia ogólnej wydajności.
Uczenie maszynowe dla optymalizacji w czasie rzeczywistym
Podejście zespołu kierowanego przez Princeton do uczenia maszynowego znacznie skraca czas obliczeń, umożliwiając optymalizację w czasie rzeczywistym. Model uczenia maszynowego może monitorować stan plazmy z milisekundy na milisekundę i w razie potrzeby zmieniać amplitudę i kształt perturbacji magnetycznych. Pozwala to kontrolerowi zrównoważyć tłumienie wybuchów krawędziowych i wysoką wydajność fuzji bez poświęcania jednego na rzecz drugiego.
Naukowcy zademonstrowali sukces swojego podejścia zarówno w tokamaku KSTAR w Korei Południowej, jak i tokamaku DIII-D w San Diego. W obu obiektach metoda ta pozwoliła osiągnąć silne zamknięcie i wysoką wydajność fuzji bez szkodliwych wybuchów krawędzi plazmy.
Przyszłe zastosowania i ulepszenia
Zespół już pracuje nad udoskonaleniem swojego modelu, aby był kompatybilny z innymi urządzeniami termojądrowymi, w tym z planowanymi przyszłymi reaktorami, takimi jak ITER, który jest obecnie w budowie. Jednym z aktywnych obszarów prac jest zwiększenie możliwości predykcyjnych modelu. Na przykład, obecny model nadal opiera się na napotkaniu kilku wybuchów krawędziowych w trakcie procesu optymalizacji, zanim zacznie działać skutecznie, stwarzając niepożądane ryzyko dla przyszłych reaktorów.
Naukowcy dążą do poprawy zdolności modelu do rozpoznawania prekursorów tych szkodliwych niestabilności, potencjalnie optymalizując system bez napotykania pojedynczego wybuchu krawędzi. Praca ta jest kolejnym przykładem potencjału sztucznej inteligencji w przezwyciężaniu długotrwałych wąskich gardeł w rozwoju energii termojądrowej jako źródła czystej energii.
Rola sztucznej inteligencji w rozwoju energetyki termojądrowej
Wykorzystanie sztucznej inteligencji w rozwoju energii termojądrowej nie jest niczym nowym. Wcześniej naukowcy kierowani przez Kolemena z powodzeniem wdrożyli oddzielny kontroler AI, aby przewidzieć i uniknąć innego rodzaju niestabilności plazmy w czasie rzeczywistym w tokamaku DIII-D.
Podejścia oparte na uczeniu maszynowym umożliwiły nowe sposoby podejścia do tych dobrze znanych wyzwań związanych z fuzją jądrową. Złożoność obliczeniowa tradycyjnych narzędzi często ograniczała wdrażanie rozwiązań. Jednak uczenie maszynowe i sztuczna inteligencja oferują sposób na przezwyciężenie tych ograniczeń, otwierając nowe możliwości rozwoju energii termojądrowej jako źródła czystej energii.