Mestre fusion med AI for at låse uendelig ren energi op

Med fossile brændstoffer, der hurtigt udtømmes, og klimaforandringer, der forværres, er vi i kritisk behov for ren energi. 

Selvom vedvarende energikilder tilbyder et lovende alternativ, har de deres egne udfordringer med hensyn til begrænsninger i energilagring, kompleksitet ved netintegration, høje startomkostninger og den intermitterende karakter af nogle kilder som sol og vind. Derudover udgør arealanvendelse, politiske barrierer og behovet for robust infrastruktur også betydelige forhindringer. 

Dette er, hvor kerneenergi kan ændre spillet. Kerneenergi er en form for energi, der frigives fra kernen, som er den positivt ladede centrale kerne i atomer, bestående af protoner og neutroner. 

Ifølge International Energy Agency (IEA) udgør kernekraft omkring 10% af den globale elproduktion. 

Men på trods af dens evne til at producere emissionsfri energi begrænser store startomkostninger, lange leveringstider og en dårlig historik med rettidig levering vedtagelsen af kerneenergi, bemærker IEA. Dog har den nye globale fremdrift potentialet til at åbne en ny æra for kerneenergi med reaktorer, der skal begynde kommerciel drift i Kina, Europa, Indien, Japan og Korea.

Nu er der to måder, denne energikilde kan produceres på:

• Fusion
• Fission

Fission er, når kernerne af tunge atomer splittes i mindre. Fusion er, når kernerne af lettere atomer smeltes sammen for at danne en tungere. Begge frigiver enorme mængder energi.

Mens kun fission i øjeblikket anvendes i stor skala til elproduktion, er vores fokus i dag på kernefusion.

Stadig i forsknings- og udviklingsfasen bidrager kernefusion meget lidt til den globale energiproduktion, selvom den har enormt potentiale for fremtiden. Den er faktisk en af de mest miljøvenlige energikilder, da der ikke er nogen kuldioxid eller andre skadelige emissioner under processen.

Kulstoffri elektricitet fra fusionskraftværker kan også leveres kontinuerligt, uanset vejret eller om det er dag eller nat. I modsætning til fission forårsager fusion ikke engang potentielt katastrofale smeltninger eller langvarigt radioaktivt kerneaffald.

Fusion bidrager ikke kun til drivhusgasemissioner (GHG), dens to hovedbrændstoffer, hydrogen (til deuterium) og lithium (til tritium), er også bredt tilgængelige.

I denne kontekst forventes kernefusion at kunne dække menneskehedens energibehov i millioner af år, og det får lande over hele verden til aktivt at arbejde på at gøre den til virkelighed. 

Forhindringer mellem kerneenergiens vision og virkelighed

Det var i 1915, at konceptet for kernefusion først blev foreslået af den amerikanske kemiker William Draper Harkins. Men vi har endnu ikke opnået det i betydelig grad. 

Fusionsreaktioner udgør faktisk den grundlæggende energikilde for stjerner, inklusive den gigantiske kugle af varm gas, Solen. Det er processen kaldet termonuklear fusion, der har holdt Solen og stjernerne lysende i millioner af år.

I termonuklear fusion kombineres atomkerner ved ekstremt høje temperaturer, ti til hundrede millioner grader Celsius, hvilket giver nok energi til at overvinde den gensidige elektriske frastødning mellem to kerner. De fusionerer derefter til en enkelt kerne og frigiver betydelig energi.

Solens massive gravitationskraft spiller en central rolle her, da den skaber ekstremt tryk, varme og betingelserne for fusion. Uden tyngdekraften ville solen ikke være varm og tæt nok til, at fusion kunne forekomme. 

Nu betyder det at skabe kernefusion på Jorden uden de enorme gravitationsniveauer, at man placerer lette isotoper i en reaktor og derefter opvarmer dem til hundreder af millioner af grader Celsius, hvilket omdanner dem til et ioniseret ‘plasma’.

Plasma er en ladet gas bestående af positive ioner og frit bevægende elektroner. Det er ekstremt varmt og svært at kontrollere, og kræver et magnetfelt for at forhindre, at det undslipper.

Forskere har rutinemæssigt kunnet opnå betingelser for kernefusion, men plasmastabilitet og forbedrede indespærringsegenskaber er endnu ikke opnået for at opretholde reaktionen og producere energi på en vedvarende måde.

For eksempel fik et multardollar-fusionsforsøg i slutningen af 2022 endelig en lille isotopsample til at frigive mere energi end den laserenergi, der blev brugt til at antænde den, men den varede kun omkring en tiendedel af et nanosekund.

Så er kernefusion en meget udfordrende proces, der kræver ekstreme betingelser med høje temperaturer og intens tryk.

Derefter er der behov for at stabilisere plasmaet, forhindre det i at røre reaktorsvægge, og minimere varmetab, hvilket gør det svært at opretholde reaktionen. Med hensyn til ingeniørarbejde har vi brug for store, kraftfulde supraledende magneter til at indeholde plasmaet i tokamaker, en almindelig type af donutformet fusionsreaktor, samt avancerede vakuumsystemer for at opnå og opretholde de ekstremt lave tryk.

Derudover har vi brug for materialer, der kan modstå høje temperaturer, høje varmestrømme og intens neutronstråling. For at tackle disse udfordringer vender forskere sig mod kunstig intelligens (AI). 

AI spiller en stadig vigtigere rolle i accelerationen af kernefusionsforskning og -udvikling. Ved at udnytte maskinlæring og andre AI-algoritmer optimerer forskere reaktordesign, finder og korrigerer grundlæggende målefejl, accelererer materialeforskning, forudsiger og forhindrer plasmaforstyrrelser, kontrollerer plasmaets tilstand og forbedrer effektiviteten og stabiliteten af fusionsreaktioner.

Ved at håndtere enorme mængder komplekse data og det indviklede forhold mellem forskellige facetter af fusionsprocessen kan AI yderligere forbedre vores forståelse af den, accelerere udviklingen af nye reaktordesigns og betydeligt reducere udviklingstidslinjer, hvilket baner vejen for kommercialisering af kerneenergi.

AI hjælper med at overvinde de fysiske barrierer for fusion

AI transformerer hurtigt industrier, herunder energisektoren, hvor den hjælper med at løse den globale energikrise ved at opnå kulstoffri, grænseløs kerneenergi. 

I den forbindelse har Google DeepMind anvendt dyb forstærkningslæring (RL) til succesfuldt at kontrollere plasmaet¹ i en tokamak og præcist forme det i forskellige former. For at udvikle RL-systemet samarbejdede de med Swiss Plasma Center ved EPFL. Systemet opdager autonomt, hvordan man styrer de magnetiske spoler omkring en tokamak og indeholder plasmaet i den.

Sidste år udgav virksomheden også en plasmasimulator kaldet TORAX², som modellerer plasmaets ‘kerne’ og derefter forudsiger ændringer i temperatur, densitet og elektrisk strøm. 

Tidligere sidste år brugte et team ved Princeton University også RL til at forudsige den førende form for forstyrrelser i fusionsplasma op til 300 millisekunder før de opstår. Kendt som ‘tearingsmode-instabiliteter’, opstår den når magnetfeltlinjerne inden i et plasma brister, hvilket tillader det at undslippe og dermed stoppe fusionsprocessen. 

Disse instabiliteter forventes at ‘blive endnu mere fremtrædende, når vi forsøger at køre fusionsreaktioner ved de høje kræfter, der kræves for at producere nok energi,’ sagde første forfatter Jaemin Seo, assisterende professor i fysik ved Sydkoreas Chung-Ang University. ‘De er en vigtig udfordring, vi skal løse.’

Deres AI-model forudsiger potentielle tearingsmode-instabiliteter på forhånd³ og foretager derefter ændringer i visse driftsparametre for at undgå tearingen inden for plasmaets magnetfeltlinjer.

Modellen, trænet på tidligere eksperimentelle data, får et mål om at opretholde en højtydende reaktion, sammen med betingelser der skal undgås, såsom tearingsmode-instabilitet, og de indstillinger den kan justere for at opnå disse resultater. Over tid ‘lærer’ AI-modellen den optimale vej til at opretholde højtydende målet, mens den undgår instabilitet.

“Ved at lære af tidligere eksperimenter i stedet for at indarbejde information fra fysikbaserede modeller, kunne AI udvikle en endelig kontrolpolitik, der understøttede et stabilt, højtydende plasmaregime i realtid, i en reel reaktor.”

– Forskningsleder Egemen Kolemen

Mens modellen kørte utallige simulerede fusionsforsøg for at finde veje, observerede teamet i baggrunden dens ‘intentioner’ og finjusterede handlinger, og fungerede som en mægler ‘mellem hvad AI’en ønsker at gøre, og hvad tokamaken kan rumme’.

Teamet af ingeniører, fysikere og datavidenskabsfolk testede og demonstrerede deres model i eksperimenter på DIII-D National Fusion Facility i San Diego.

Derefter, tidligere i år, blev et forskningspapir med titlen “Prediction of Performance and Turbulence in ITER Burning Plasmas via Nonlinear Gyrokinetic Profile Prediction“⁴ offentliggjort af Nathan Howard, en hovedforsker ved MIT Plasma Science and Fusion Center (PSFC).

Howard og hans team brugte ML og simulationer til at forudsige, hvordan plasmaet vil opføre sig i en fusionsenhed. 

“I papiret forklarede de, at højopløsningssimulationer af turbulens bekræfter, at ITER-tokamaken, verdens største eksperimentelle fusionsanordning, der i øjeblikket er under konstruktion i det sydlige Frankrig, vil fungere som forventet, når den begynder driften, hvilket først vil ske senest i 2035.

For at verificere scenariet brugte teamet CGYRO, et tidskrævende program, der anvender en kompleks plasmafysikmodel på bestemte driftsforhold for at producere detaljerede simulationer af plasmaadfærd på forskellige steder inden i en fusionsenhed.

Simulationerne blev derefter kørt gennem PORTALS-rammen, som tager de højpræcise kørsel og bruger ML til at bygge en ‘surrogat’, en model der “kan efterligne resultaterne af de mere komplekse kørsel, men meget hurtigere.”

Højpræcise modelleringsværktøjer som PORTALS giver, bemærkede forskerne, “et glimt ind i plasmaets kerne, før det overhovedet dannes. Denne forudsigelsesførste tilgang gør det muligt for os at skabe mere effektive plasmaer i en enhed som ITER.”

Teamet demonstrerede også forskellige driftsopsætninger, hvor den samme mængde energioutput kan produceres men med mindre energiinput.

Swipe for at rulle →

Kortlægning af fusionsskygger med HEAT-ML 

En ny AI-tilgang bliver nu brugt til at beskytte indersiden af fusionsreaktorer mod den ekstreme varme fra plasma. Denne nye metode accelererer beregningshastigheden, der kræves for at finde “magnetiske skygger” i fusionscontainere.

Disse skygger er sikre havne, der er beskyttet fra den intense plasma-varme.

Varmeudfordringen inde i Tokamaken

Som vi forklarede ovenfor, når plasmaet er indeholdt i tokamaken ved hjælp af magnetfelter, når varmen fra plasmaet en temperatur, der er endnu varmere end solens kerne. For at udnytte fusion skal denne varme kontrolleres.

According to Doménica Corona Rivera, an associate research physicist at Princeton Plasma Physics Laboratory (PPPL):

“Plasma-eksponerede komponenter i tokamaken kan komme i kontakt med plasmaet, som er meget varmt og kan smelte eller beskadige disse elementer. Det værste, der kan ske, er, at man skal stoppe driften.”

Så for at overvinde dette problem anvender forskerne AI, der kan fremskynde beregningerne, der forudsiger præcis, hvor varmen vil ramme i tokamaken.

Ved at accelerere HEAT-beregningerne betydeligt muliggør modellen realtidsapplikationer til beskyttelse af divertoren og kontrolhandlinger.

Et samarbejde for at drive fusionsinnovation

Et offentligt-privat partnerskab mellem PPL, den amerikanske energiministeriums (DOE) Oak Ridge National Laboratory og fusionskraftsvirksomheden Commonwealth Fusion Systems (CFS), som er en afløser fra MIT og har til formål at bygge et lille fusionskraftværk baseret på ARC-tokamak-designet, førte til denne nye AI-tilgang kaldet HEAT-ML.

Den ML-baserede surrogatmodel (HEAT-ML) er detaljeret i den seneste undersøgelse med titlen “Skygge-masker forudsigelser i SPARC tokamak plasma-eksponerende komponenter ved brug af HEAT-kode og maskinlæringsmetoder“.⁵

HEAT-ML har til formål at lægge grundlaget for software, der kan accelerere designet af fremtidige fusionssystemer, samt forhindre problemer før de opstår ved at justere plasmaet, hvilket muliggør gode beslutninger.

“Denne forskning viser, at man kan tage en eksisterende kode og skabe en AI-surrogat, der vil fremskynde evnen til at få brugbare svar, og den åbner interessante veje inden for kontrol og scenarieplanlægning.”

– Medforfatter af papiret, Michael Churchill, som er leder af digital engineering ved PPPL.

Kortlægning af magnetiske skygger for at beskytte materialer

HEAT-ML er specifikt lavet til at simulere en lille del af SPARC.

SPARC er en tokamak, der i øjeblikket er under udvikling af CFS i samarbejde med MIT PSFC. Den er planlagt til at starte drift næste år og har til mål at demonstrere nettoenergigevinst, ved at generere mere energi end den forbruger inden 2027.

For at opnå dette simulerer forskerne, hvordan varmen påvirker indersiden af denne tokamak.

En stor beregningsudfordring gør forskerne det håndterbart ved at fokusere på SPARC-sektionen, hvor intensiteten af plasmaets varmeudslip møder materialevæggen. Det er 15 fliser omkring maskinens base, som er den del, hvor udstødningssystemet vil være mest udsat for varme.

For at skabe denne simulation lavede teamet skygge-masker, som er 3D-kort over magnetiske skygger. Disse kort er specifikke områder på overfladerne af et fusionssystems interne komponenter, der er beskyttet fra direkte varme. Deres placering afhænger af formen på delene inde i tokamaken samt hvordan de interagerer med magnetfeltlinjerne, der indeholder plasmaet.

Fremskyndelse af simulationer fra minutter til millisekunder

Skygge-maskerne blev oprindeligt beregnet ved brug af det open-source computerprogram kaldet HEAT, eller Heat flux Engineering Analysis Toolkit.

Bygget af Tom Looby fra CFS i samarbejde med lederen af SPARC Diagnostic Team, Matt Reinke, blev dette program oprindeligt anvendt på udstødningssystemet for PPPL’s sfæriske tokamak kaldet National Spherical Torus Experiment-Upgrade maskinen (NSTX-U), som er designet til at være den mest kraftfulde i verden.

Forskerne har nu brugt maskinlæring til at supplere HEAT og udviklet 3D-surrogatmodeller til hurtige og præcise beregninger af varmelast.

Den resulterende HEAT-ML følger magnetfeltlinjerne fra en komponents overflade for at se, om de krydser andre interne dele. Hvis linjen krydser, markeres det sted som et skyggeområde, eller en magnetisk skygge.

Hele denne proces med at spore linjer og opdage præcis hvor de møder den detaljerede 3D-maskingeometri var dog en betydelig flaskehals, der kunne tage omkring 30 minutter for kun én simulation. Hvis der er komplekse geometrier involveret, kan det tage endnu længere.

HEAT-ML gjorde det muligt for teamet at overvinde denne begrænsning, ved at fremskynde beregningerne til kun millisekunder. 

Mod realtidskontrol af fusionskraftværker

HEAT-ML-modellen bruger et dybt neuralt netværk, en form for AI med flere skjulte lag anvendt på data for at lære specifikke opgaver ved at genkende mønstre. I dette tilfælde blev HEAT-ML trænet på omkring 1.000 SPARC-simulationer fra HEAT for at identificere skyggeområder.

Fordi den er knyttet til det specifikke design af SPARC’s udstødningssystem, fungerer HEAT-ML kun for den del af denne specifikke tokamak.

Så er det i øjeblikket en valgfri indstilling i HEAT-koden. Men teamet håber at udvide modellens kapaciteter til at generalisere skygge-maskeberegninger for alle udstødningssystemer, uanset størrelse og form, samt andre plasma-eksponerende komponenter inde i tokamaken.

Ifølge undersøgelsen er kraftudslippet en afgørende udfordring for næste generation af fusionsenheder og kræver innovative løsninger i divertor-design og -drift. Undersøgelsen bemærkede:

“Det ultimative mål er at integrere modellen for realtidskontrol og fremtidige driftsbeslutninger.” 

Investering i kerneenergi

Teknogiganten Microsoft Corporation (MSFT ) er aktivt i gang med at udforske kerneenergi og dens acceleration via AI, da den mener, at den bør være en del af en blanding af kulstoffri energikilder. 

Microsofts chef for bæredygtighed, Melanie Nakagawa, har kaldt fusion for en langsigtet indsats og sagt, at i løbet af de sidste par år har forskellige typer milepæle blevet nået af branchen, hvilket har skabt “meget optimisme for, at dette kan være øjeblikket, hvor fusion faktisk kommer frem i dette årti, eller nær dette årti.”

Microsoft Corporation (MSFT )

For sine fusionsmål indgik Microsoft en banebrydende aftale med den private fusionsstartup Helion Energy tilbage i 2023. Ifølge aftalen vil Helion levere fusionsgenereret strøm til Microsofts datacentre inden 2028.

Også støttet af SoftBanks venturekapitalarm og OpenAIs Sam Altman, begyndte Helion i år konstruktionen af sit planlagte kernefusionskraftværk kaldet Orion, selvom de endelige tilladelser endnu ikke er sikret. 

Helions prototype Polaris arbejder i øjeblikket på at finde en måde at generere mere energi end det kræver at skabe og opretholde reaktionen. Orion vil derimod, ifølge dets administrerende direktør, blive tilsluttet energidistributionsnetværk.

Når det gælder Microsofts markedspræstation, handles selskabets aktier, med en markedsværdi på 3,86 billioner dollars, omkring $521, op 23,41% år‑til‑dato. Den har en EPS (TTM) på 13,64 og en P/E (TTM) på 38,25. Udbytteafkastet er 0,64%.

Hvad angår finansielle resultater for kvartalet, der sluttede den 30. juni 2025, afslørede den en stigning på 18% i omsætning til $76,4 mia., en stigning på 23% i driftsresultat til $34,3 mia., og en stigning på 24% i nettoresultat til $27,2 mia. Den udvannede indtjening pr. aktie var derimod $3,65, op 24%.

“Cloud og AI er den drivende kraft bag forretningsomdannelse på tværs af alle industrier og sektorer.”

– CEO Satya Nadella

Seneste Microsoft Corporation (MSFT) aktienyheder og udviklinger

Konklusion

En af de mest lovende veje til ren energi er fusion, men vejen til dens kommercialisering er lang og vanskelig. AI viser sig dog at være den accelererende faktor, der endelig kan gøre denne århundredgamle drøm til virkelighed, inden for vores levetid.

Ved at anvende AI-baserede tilgange arbejder forskere på at gøre fusionssystemer robuste og økonomisk levedygtige. Fra at fremskynde forskning og løse plasma-instabiliteter til at beskytte reaktorsystemer, kan AI hjælpe med at bringe kerneenergi ind på elnettet og give menneskeheden adgang til ubegrænset kraft.

Klik her for at lære, hvordan den fjerde generation af kerneenergi vil se ud.

Referencer:

1. Degrave, J., Felici, F., Buchli, J., et al. Magnetic control of tokamak plasmas through deep reinforcement learning. Nature, 602(7897), 414–419, udgivet 16. februar 2022. https://doi.org/10.1038/s41586-021-04301-9
2. Citrin, J., Goodfellow, I., Raju, A., Chen, J., Degrave, J., Donner, C., Felici, F., Hamel, P., Huber, A., Nikulin, D., Pfau, D., Tracey, B., Riedmiller, M., & Kohli, P. TORAX: En hurtig og differentiabel tokamak-transportsimulator i JAX. arXiv preprint arXiv:2406.06718, udgivet 10. juni 2024, senest revideret 7. december 2024. https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., et al. Undgåelse af fusionsplasma tearingsinstabilitet med dyb forstærkningslæring. Nature, 626(8001), 746–751, udgivet 21. februar 2024. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez-Fernandez, P., Holland, C., & Candy, J. Forudsigelse af ydeevne og turbulens i ITER brændende plasmaer via ikke-lineær gyrokinetisk profilforudsigelse. Nuclear Fusion, 65(1), 016002, udgivet 11. november 2024. https://doi.org/10.1088/1741-4326/ad8804
5. Corona, D., Scotto d’Abusco, M., Churchill, M., Munaretto, S., Kleiner, A., Wingen, A., & Looby, T. Skygge-masker forudsigelser i SPARC tokamak plasma-eksponerende komponenter ved brug af HEAT-kode og maskinlæringsmetoder. Fusion Engineering and Design, 217, 115010, udgivet august 2025. https://doi.org/10.1016/j.fusengdes.2025.115010