AI kan forudsige og forhindre ustabiliteter i fusionsreaktioner

Allerede siden konceptet for kernfusion blev forstået for næsten et århundrede siden, fra ingeniører til videnskabsfolk, har alle søgt efter måder at skabe og udnytte det på. Når vi endelig opnår kernfusion i industriel skala, kan det tilbyde overkommelig, sikker, ikke-forurenende og praktisk talt ubegrænset energi til at imødekomme den stigende efterspørgsel.

Hvad er kernfusion? Det er en proces, hvor to eller flere lette atomkerner smelter sammen til en enkelt, anderledes og tungere atomkerne, hvilket frigiver enorme mængder energi. Interessant nok driver fusionsreaktioner solen og stjernerne, hvilket gør livet på Jorden muligt.

Dog er det ret vanskeligt at smelte to atomer, da det kræver en enorm mængde tryk og energi for at overvinde deres gensidige frastødning. Solen gør dette gennem sin enorme gravitationskraft og meget høje tryk i kernen.

Nu forsøger forskere at bygge deres egne fusionsreaktorer. Disse fusionsreaktioner foregår i plasma, en tilstandsform af stof. Plasma, en varm, ladet gas bestående af frie negative elektroner og positive ioner, tillader elektrisk strøm at flyde igennem den.

For at efterligne denne proces bruger forskere ekstremt varm plasma og super stærke magneter. Dog kan den overophedede, meget komplekse og uordnede plasma hurtigt miste sin stabilitet og undslippe de stærke magnetfelter, der omslutter den i den donutformede fusionsreaktor, hvilket normalt signalerer reaktionens afslutning. Disse donutformede enheder er kendt som tokamaks.

Dette udgør naturligvis en kritisk udfordring i udviklingen af fusion som en ren og ubegrænset energikilde. Et team af datavidenskabsmænd, ingeniører og fysikere fra Princeton University og USA’s energiministeriums Princeton Plasma Physics Laboratory (PPPL) anvender kunstig intelligens (AI) til at forudsige dannelsen af et specifikt plasma-problem i realtid for at undgå det.

På San Diegos DIII-D National Fusion Facility, som er et Office of Science-drevet anlæg af General Atomics for USA’s energiministerium (DOE), udførte forskerne deres eksperimenter og demonstrerede deres AI-model, som viste sig at kunne forudsige potentielle plasma-ustabiliteter. Kaldet tearing mode-ustabiliteter, kan disse forudsiges af AI længe på forhånd, op til 300 millisekunder. Til sammenligning blinker vi i gennemsnit 100–150 millisekunder, ifølge forskere fra UCL.

Selvom det er en ekstremt kort varighed, giver det rigelig tid til, at AI-controlleren kan ændre specifikke driftsparametre for at forhindre revnen i plasmaets magnetfeltlinjer, som ville forstyrre ligevægten og potentielt afslutte reaktionen.

AI-modellen blev trænet på data fra tidligere forsøg i stedet for at bruge information fra fysikbaserede modeller. På denne måde kunne “AI’en udvikle en endelig kontrolpolitik, der understøttede et stabilt, højtydende plasma-regime i realtid, i en reel reaktor,” sagde studielederen Egemen Kolemen, som er staff research physicist ved PPPL og samtidig lektor i maskin- og rumfartsingeniør ved Andlinger Center for Energy and the Environment.

I modsætning til nuværende tilgange muliggør dette en mere dynamisk kontrol af en fusionsreaktion og giver desuden et grundlag for at udnytte AI til at finde en løsning på et bredt sæt af plasma-ustabiliteter. Dette er kritisk, fordi det i lang tid har udgjort en udfordring at opnå en konstant fusionsreaktion.

Klik her for at lære alt om investering i kunstig intelligens (AI).

AI’s voksende anvendelse i fusionsforskning

Udgivet i Nature fokuserer denne undersøgelse på at forudsige og undgå tearing-ustabiliteter, før de overhovedet opstår i plasmaet. Dette adskiller den fra tidligere tilgange, som ifølge Jaemin Seo, studiets forfatter, der er lektor i fysik ved Sydkoreas Chung-Ang University, normalt har arbejdet på at afbøde eller dæmpe virkningerne af disse ustabiliteter efter de er indtruffet. Princeton-teamet håndterede tearing mode-ustabiliteter, en type forstyrrelse, hvor magnetfeltlinjerne ikke kan indeholde plasmaer, der overstiger 100 millioner grader Celsius, hvilket fører til plasmaforstyrrelse. Dette er varmere end solens kerne. Ifølge Seo:

“Tearing mode-ustabiliteter, en af de største årsager til plasmaforstyrrelse, vil kun blive endnu mere fremtrædende, når vi forsøger at køre fusionsreaktioner ved de høje effektniveauer, der kræves for at producere tilstrækkelig energi, hvilket udgør en stor udfordring, der skal løses.”

Da denne type ustabilitet kan dannes og derefter forhindre fusionsreaktionen på få millisekunder, har forskerne vendt sig mod AI for dens evne til hurtigt at behandle og reagere på nye data.

Dette var dog ikke første gang, AI blev udnyttet i fusionsforskning. Faktisk har der været en stigende interesse for maskinlæring og AI til at evaluere enorme mængder data, der produceres i disse eksperimenter. 

Ved at evaluere træningsdata genkender AI derefter mønstre og udleder principper fra dem. For eksempel beskæftiger Wendelstein 7-X sig med live-detektion af plasmaens ligevægtstilstand i stellarators, en plasmaenhed, der afhænger af eksterne magneter for at indeholde plasma.

Som Riccardo Betti, chefforsker ved LLE, og Robert L. McCrory, professor i fysik- og astronomiafdelingen samt maskiningeniørafdelingen, sagde:

“Vi har nu en overflod af eksperimentelle data, som vi kan udnytte med maskinlæring til systematisk at korrigere simulationerne og vejlede realtidsjusteringer af eksperimenterne.”

Samtidig, i en undersøgelse i 2021, Diogo Ferreira, professor i informationssystemer ved University of Lisbon’s Instituto Superior Técnico i Portugal, beskrev tre forskellige anvendelser af AI-, ML- og DL-modeller til fusionsforskning. En af hans modeller forudsiger forstyrrelser i en supervarm plasma, den anden opdager anomalier i plasmaet, og den tredje handler om visuelle repræsentationer af plasmaens strålingsmønstre.

Dette seneste studie, som er støttet af DOE’s Office of Fusion Energy Sciences og den koreanske National Research (NRC ) Foundation, arbejder på at forhindre fusionsplasma-tearing-ustabilitet ved hjælp af maskinlæring (ML) underfeltet dyb forstærkningslæring (RL). DOE har også ydet finansieringsstøtte til MIT Plasma Science and Fusion Center for at forbedre adgangen til fusionsdata.

For at bygge en succesfuld kunstig intelligens-controller, skal Princeton-teamet bruge data fra tidligere tests på DIII-D tokamak. Et dybt neuralt netværk blev derefter oprettet med evnen til at forudsige sandsynligheden for kommende tearing-ustabilitet afhængigt af plasmaens egenskaber i realtid.

Dette, ifølge Azarakhsh Jalalvand, studiets medforfatter og forskningsstuderende i Kolemens gruppe, var som at lære nogen at flyve et fly, hvor du ikke blot “giver dem et sæt nøgler og beder dem gøre deres bedste,” men “lader dem øve på en meget indviklet flysimulator, indtil de har lært nok til at prøve den rigtige flyvning.”

Teamet trænede derefter en forstærkningslæringsalgoritme (RL) på deres neurale netværk, som kan afprøve forskellige strategier for at kontrollere plasma. Algoritmen lærer gennem prøving og fejl inden for sikkerheden i et simuleret miljø.

I stedet for at lære den al den komplekse fysik i en fusionsreaktion, fortalte teamet kun forstærkningslæringsmodellen deres mål, som var at opretholde en højtydende reaktion samt hvad der skulle undgås, dvs. en tearing mode-ustabilitet og de kontrolknapper, den kan bruge til at opnå disse resultater. Over tid lærer modellen den optimale vej til at opnå høje effektniveauer, mens den undgår straffen i form af ustabilitet.

As modellen kørte gennem utallige simulerede fusionsforsøg, observerede teamet og forfinede dens handlinger, fordi nogle ændringer var for hurtige. 

“Som mennesker arbitrerer vi mellem, hvad AI’en ønsker at gøre, og hvad tokamak’en kan rumme.”

– SangKyeun Kim, medforfatter af studiet & staff research scientist ved PPPL

Teamet testede kun AI-controlleren under et faktisk fusionsforsøg, da de var sikre på dens evner. AI-controlleren foretog derefter realtidsændringer af visse D-III D tokamak-parametre, herunder ændring af plasmaens form og styrken af de stråler, der tilfører energi til reaktionen, for at undgå begyndelsen af ustabilitet.

En universel løsning

Dette seneste forskningsarbejde, hvis resultater blev offentliggjort i sidste uge i Nature, præsenterer en aktiv tilgang i modsætning til de “mere passive” nuværende tilgange til at forudsige ustabiliteter på forhånd, hvilket kan gøre det lettere at køre disse reaktioner. Kim sagde:

“Vi behøver ikke længere at vente på, at ustabiliteterne opstår, og derefter foretage hurtige korrigerende handlinger, før plasmaet bliver forstyrret.”

Dette studie er uden tvivl et lovende proof-of-concept, der viser, hvor effektivt AI kan kontrollere fusionsreaktioner. Forskere bemærkede dog, at Kolemens gruppe allerede arbejder på flere næste skridt for at fremme fusionsforskningsfeltet. 

Så selvom der er “stærke beviser” på, at AI-controlleren fungerer “temmelig godt” på DIII-D tokamak, er fokus nu på at få flere beviser på controllerens handling, indsamle flere data, der viser, at den også fungerer i forskellige situationer, og derefter udvide den til at fungere på andre tokamaks. 

Men det er ikke alt. Den nuværende AI-model bruger kun et begrænset antal diagnostikker, der gør det muligt at undgå kun én specifik type ustabilitet. Derfor ønsker forskerne at levere data om andre typer af ustabiliteter samt give adgang til flere kontrolknapper for AI-controlleren til at foretage justeringer. Så her sigter teamet efter at udvide sin algoritme til at håndtere flere typer af ustabiliteter ved samtidig at kontrollere mange forskellige knapper.

På denne vej mod at skabe mere effektive AI-controllers håber teamet, at AI’en vil få øget klarhed og forståelse af fusionsreaktioner og fysik og også lære os mere om det hele.

Klik her for at lære, hvorfor 2023 var gennembrudsåret for AI.

Virksomheder, der arbejder inden for AI & fusionsreaktion

Lad os nu se på nogle fremtrædende navne i sektoren:

#1. Google 

Tech-giganten har sine hænder i alle felter, og det inkluderer AI-forskning og fusionsenergi. For et par år siden annoncerede Google-støttede DeepMind, at de havde trænet et AI-system til at kontrollere plasma inden i en kernfusionsreaktor. AI Lab oprettede et RL AI-system til at kontrollere magneter og ændre spænding tusindvis af gange hver sekund.

Det $1,75 trillioner store markedsselskab har sine aktier handlet til $140,38, op 3% år-til-dato. Google rapporterede en omsætning (TTM) på 307,39 mia. og har en EPS (TTM) på 5,80, P/E (TTM) på 24,17 og ROE (TTM) på 27,36%.

#2. TAE Technologies

Tidligere kendt som Tri Alpha Energy, er det californiske selskab fokuseret på at udvikle fusionsenergiteknologi. TAE Technologies opgraderer i øjeblikket sin fusionsplatform, Norman, til en sjette-generationsmaskine kaldet Copernicus. Hvis alt går glat, forventer virksomheden at bygge sit første prototypekraftværk, der kan tilsluttes nettet i begyndelsen af 2030’erne, og skaleringen for at udvikle “robuste og pålidelige” kommercielle energikilder vil fortsætte gennem årtiet. Fusion, ifølge CEO Michl Binderbauer, vil føre os ind i et “paradigm af overflod”.

I 2022 investerede Google og Chevron (CVX ) i TAE Technologies som en del af virksomhedens $250 millioner kapitalrejsning. Google har faktisk været partner med TAE i et årti nu og leverer AI og beregningskraft til virksomheden. 

#3. ITER

International Thermonuclear Experimental Reactor er et internationalt kernfusionsforsknings- og ingeniørmegaprojekt, der har fremmet sin fusionsforskning og -udvikling med ML og AI.

“Store videnskabsprojekter som ITER tilbyder en overflod af data, som er ideelle for AI. De giver os en enestående mulighed for at lære, træne, ekstrapolere og anvende disse færdigheder i andre fremstillingsområder.”

– María Ortiz de Zúñiga, Senior Technical Officer ved Fusion for Energy

Konklusion

Som vi har diskuteret gennem hele dette stykke, har AI potentialet til at transformere forskellige aspekter af fusionsrejsen. Dog har de seneste teknologiske fremskridt øget håbet om at overvinde de mangeårige udfordringer, som denne industri står over for. Ved at udnytte kunstig intelligens’ beregningskraft og mønstergenkendelseskapacitet kan vi accelerere udviklingen af fusionsenergi og endelig gøre en bæredygtig energifremtid til virkelighed.