KI kann Fusionreaktionsinstabilitäten vorhersagen und verhindern

Seit das Konzept der Kernfusion vor fast einem Jahrhundert verstanden wurde, suchen Ingenieure und Wissenschaftler nach Möglichkeiten, sie zu erzeugen und zu nutzen. Schließlich könnte die industrielle Kernfusion erschwingliche, sichere, umweltfreundliche und praktisch unbegrenzte Energie bieten, um die wachsende Nachfrage zu decken.

Was ist Kernfusion? Es ist ein Prozess, bei dem zwei oder mehr leichte Atomkerne zusammenkommen, um einen einzelnen, anderen und schwereren Atomkern zu bilden, wobei enorme Energiemengen freigesetzt werden. Interessanterweise treiben Fusionsreaktionen die Sonne und die Sterne an und machen das Leben auf der Erde möglich.

Allerdings ist das Verschmelzen zweier Atome ziemlich schwierig, da dafür ein enormer Druck und viel Energie nötig sind, um ihre gegenseitige Abstoßung zu überwinden. Die Sonne schafft dies durch ihre gewaltige Gravitationskraft und die sehr hohen Drücke im Kern.

Jetzt versuchen Forscher, eigene Fusionsreaktoren zu bauen. Diese Fusionsreaktionen finden im Plasma statt, einem Aggregatzustand. Plasma, ein heißes, geladenes Gas aus freien negativen Elektronen und positiven Ionen, ermöglicht den Fluss von elektrischem Strom.

Um diesen Prozess nachzuahmen, verwenden Wissenschaftler extrem heißes Plasma und superscharfe Magneten. Das überhitzte, hochkomplexe und unordentliche Plasma kann jedoch sehr schnell seine Stabilität verlieren und den starken Magnetfeldern entkommen, die es im donutförmigen Fusionsreaktor einschließen, was in der Regel das Ende der Reaktion signalisiert. Diese donutförmigen Geräte sind als Tokamaks bekannt.

Dies stellt natürlich eine kritische Herausforderung bei der Entwicklung von Fusion als sauberer und unbegrenzter Energiequelle dar. Ein Team aus Datenwissenschaftlern, Ingenieuren und Physikern der Princeton University und des Princeton Plasma Physics Laboratory (PPPL) des US-Energieministeriums nutzt jedoch künstliche Intelligenz (KI), um die Entstehung eines spezifischen Plasma‑Problems in Echtzeit vorherzusagen und zu vermeiden.

Im DIII‑D National Fusion Facility in San Diego, das vom Office of Science betrieben von General Atomics für das US-Energieministerium (DOE) betrieben wird, führten die Forscher ihre Experimente durch und demonstrierten ihr KI‑Modell, das potenzielle Plasma‑Instabilitäten vorhersagen kann. Die als „Tearing‑Mode‑Instabilitäten“ bezeichneten Instabilitäten können von der KI bis zu 300 Millisekunden im Voraus vorhergesagt werden. Zum Vergleich: Laut Forschern der UCL blinzeln wir im Durchschnitt alle 100–150 Millisekunden.

Obwohl das eine extrem kurze Zeitspanne ist, bietet sie dem KI‑Controller ausreichend Zeit, bestimmte Betriebsparameter zu ändern, um das Reißen innerhalb der Magnetfeldlinien des Plasmas zu verhindern, das das Gleichgewicht stören und die Reaktion potenziell beenden könnte.

Das KI‑Modell wurde mit Daten aus früheren Versuchen trainiert, anstatt Informationen aus physikbasierten Modellen zu nutzen. Auf diese Weise, „konnte die KI eine endgültige Steuerungsstrategie entwickeln, die ein stabiles, hochleistungsfähiges Plasmaregime in Echtzeit in einem echten Reaktor unterstützt“, sagte der Studienleiter Egemen Kolemen, ein Forschungsphysiker am PPPL und zugleich außerordentlicher Professor für Maschinenbau und Luft‑ und Raumfahrttechnik am Andlinger Center for Energy and the Environment.

Im Gegensatz zu aktuellen Ansätzen ermöglicht dies eine dynamischere Steuerung einer Fusionsreaktion und schafft zudem eine Grundlage, KI zu nutzen, um Lösungen für ein breites Spektrum von Plasma‑Instabilitäten zu finden. Das ist entscheidend, da dies seit langem eine Herausforderung für die Aufrechterhaltung einer konstanten Fusionsreaktion darstellt.

Klicken Sie hier, um alles über Investitionen in künstliche Intelligenz (KI) zu erfahren.

Der wachsende Einsatz von KI in der Fusionsforschung

Veröffentlicht in Nature konzentriert sich diese Studie darauf, Riss‑Instabilitäten vorherzusagen und zu vermeiden, bevor sie überhaupt im Plasma auftreten. Das unterscheidet sie von früheren Ansätzen, die laut Jaemin Seo, dem Studienautor und Assistenzprofessor für Physik an der Chung‑Ang‑Universität in Südkorea, normalerweise darauf abzielten, die Auswirkungen dieser Instabilitäten nach ihrem Auftreten zu mildern oder zu unterdrücken.

Das Princeton‑Team hat sich mit Tearing‑Mode‑Instabilitäten befasst, einer Störungsart, bei der Magnetfeldlinien Plasma mit Temperaturen über 100 Millionen Grad Celsius nicht einschließen können, was zu einer Plasmazerstörung führt. Das ist heißer als das Zentrum der Sonne. Laut Seo:

“Tearing‑Mode‑Instabilitäten, eine der Hauptursachen für Plasmazerstörungen, werden nur noch stärker auftreten, wenn wir versuchen, Fusionsreaktionen mit den hohen Leistungen zu betreiben, die nötig sind, um genügend Energie zu erzeugen, und stellen damit eine große Herausforderung dar, die gelöst werden muss.”

Da diese Art von Instabilität in wenigen Millisekunden entstehen und die Fusionsreaktion verhindern kann, haben Forscher KI wegen ihrer Fähigkeit, neue Daten schnell zu verarbeiten und darauf zu reagieren, herangezogen.

Dies war jedoch nicht das erste Mal, dass KI in der Fusionsforschung eingesetzt wurde. Tatsächlich gibt es ein wachsendes Interesse an maschinellem Lernen und KI, um die enormen Datenmengen, die in diesen Experimenten erzeugt werden, auszuwerten.

Bei der Auswertung von Trainingsdaten erkennt die KI Muster und leitet Prinzipien daraus ab. Zum Beispiel befasst sich Wendelstein 7‑X mit der Live‑Erkennung des Gleichgewichtsstatus von Plasma in Stellaratoren, einem Plasma‑Gerät, das auf externe Magneten zur Einschließung des Plasmas angewiesen ist.

Wie Riccardo Betti, Chefwissenschaftler am LLE, und Robert L. McCrory, Professor an den Fakultäten für Physik und Astronomie sowie Maschinenbau, sagten:

“Wir verfügen jetzt über einen reichen Schatz an experimentellen Daten, die wir mit maschinellem Lernen nutzen können, um die Simulationen systematisch zu korrigieren und Echtzeit‑Anpassungen an Experimenten zu steuern.”

Unterdessen, in einer Studie aus dem Jahr 2021 erläuterte Diogo Ferreira, Professor für Informationssysteme am Instituto Superior Técnico der Universität Lissabon in Portugal, drei verschiedene Einsatzmöglichkeiten von KI-, ML‑ und DL‑Modellen für die Fusionsforschung. Eines seiner Modelle sagt Unterbrechungen in einem superheißen Plasma voraus, das zweite erkennt Anomalien im Plasma, und das dritte befasst sich mit visuellen Darstellungen von Strahlungsmustern des Plasmas.

Die aktuelle Studie, die vom Office of Fusion Energy Sciences des DOE und der National Research Foundation of Korea unterstützt wird, arbeitet daran, die Riss‑Instabilität von Fusionsplasma mithilfe des Teilbereichs des maschinellen Lernens, des Deep Reinforcement Learning (RL), zu verhindern. Das DOE unterstützt zudem das MIT Plasma Science and Fusion Center finanziell, um den Zugang zu Fusionsdaten zu verbessern.

Um einen erfolgreichen KI‑Controller zu bauen, muss das Princeton‑Team Daten aus früheren Tests am DIII‑D‑Tokamak verwenden. Anschließend wurde ein tiefes neuronales Netzwerk erstellt, das die Möglichkeit einer bevorstehenden Riss‑Instabilität in Echtzeit basierend auf den Plasma‑Charakteristika vorhersagen kann.

Dies sei laut Azarakhsh Jalalvand, Mitautor der Studie und Wissenschaftler in Kolemens Gruppe, so, als würde man jemandem das Fliegen eines Flugzeugs beibringen; man würde ihm nicht einfach „einen Satz Schlüssel geben und sagen, er solle sein Bestes versuchen“, sondern ihn auf einem sehr komplexen Flugsimulator üben lassen, bis er genug gelernt hat, um das echte Flugzeug zu testen.

Das Team trainierte anschließend einen Reinforcement‑Learning‑(RL‑)Algorithmus auf ihrem neuronalen Netzwerk, der verschiedene Strategien zur Plasmakontrolle ausprobieren kann. Der Algorithmus lernt durch Versuch und Irrtum innerhalb der Sicherheit einer simulierten Umgebung.

Anstatt ihm die gesamte komplexe Physik einer Fusionsreaktion beizubringen, teilte das Team dem Reinforcement‑Learning‑Modell lediglich ihr Ziel mit: eine hochleistungsfähige Reaktion aufrechtzuerhalten und gleichzeitig zu vermeiden, also eine Tearing‑Mode‑Instabilität, und welche Stellgrößen dafür eingesetzt werden können. Im Laufe der Zeit lernt das Modell dann den optimalen Weg, hohe Leistungsniveaus zu erreichen und gleichzeitig die Strafe durch Instabilität zu vermeiden.

Als das Modell unzählige simulierte Fusionsversuche durchlief, beobachtete das Team seine Aktionen und verfeinerte sie, weil einige Änderungen zu schnell waren.

“Als Menschen vermitteln wir zwischen dem, was die KI tun möchte, und dem, was der Tokamak verkraften kann.”

– SangKyeun Kim, Mitautor der Studie & Forschungswissenschaftler bei PPPL

Das Team testete den KI‑Controller nur während eines echten Fusionsversuchs, sobald sie von seinen Fähigkeiten überzeugt waren. Der KI‑Controller nahm dann in Echtzeit Änderungen an bestimmten Parametern des D‑III‑D‑Tokamaks vor, einschließlich der Änderung der Plasmaform und der Stärke der Strahlen, die Energie in die Reaktion einspeisen, um das Auftreten von Instabilitäten zu vermeiden.

Eine universelle Lösung

Diese jüngste Forschung, deren Ergebnisse letzte Woche in Nature veröffentlicht wurden, präsentiert einen aktiven Ansatz im Gegensatz zu den „passiveren“ aktuellen Methoden zur Vorhersage von Instabilitäten im Voraus, was das Durchführen dieser Reaktionen erleichtern kann. Kim sagte:

“Wir müssen nicht mehr warten, bis die Instabilitäten auftreten, und dann schnell korrigierende Maßnahmen ergreifen, bevor das Plasma gestört wird.”

Diese Studie ist zweifellos ein vielversprechender Machbarkeitsnachweis, der zeigt, wie KI Fusionsreaktionen effektiv steuern kann. Forscher wiesen jedoch darauf hin, dass die Gruppe um Kolemen bereits an mehreren nächsten Schritten arbeitet, um das Feld der Fusionsforschung voranzubringen.

Während also „starke Belege“ dafür vorliegen, dass der KI‑Controller am DIII‑D‑Tokamak „ziemlich gut“ funktioniert, liegt der Fokus nun darauf, weitere Belege für den Controller im Einsatz zu erhalten, mehr Daten zu sammeln, die zeigen, dass er auch in unterschiedlichen Situationen funktioniert, und ihn anschließend auf andere Tokamaks auszuweiten.

Doch das ist noch nicht alles. Das aktuelle KI‑Modell nutzt nur eine begrenzte Anzahl von Diagnosen, die es ihm ermöglichen, nur eine spezifische Instabilitätsart zu vermeiden. Daher wollen die Forscher Daten zu anderen Instabilitätsarten bereitstellen und dem KI‑Controller mehr Stellgrößen für Anpassungen zur Verfügung stellen. Das Team beabsichtigt also, seinen Algorithmus zu erweitern, um mehrere Instabilitätsarten gleichzeitig zu bewältigen, indem es viele verschiedene Stellgrößen steuert.

Auf dem Weg zur Schaffung effizienterer KI‑Controller hofft das Team, dass die KI ein verbessertes Verständnis und Klarheit über Fusionsreaktionen und Physik erlangt und uns dabei noch mehr darüber lehrt.

Klicken Sie hier, um zu erfahren, warum 2023 das Durchbruchjahr für KI war.

Unternehmen, die im Bereich KI & Fusionsreaktion tätig sind

Werfen wir nun einen Blick auf einige prominente Namen in diesem Sektor:

#1. Google 

Der Technologieriese hat in fast allen Bereichen die Hände im Spiel, und das schließt KI‑Forschung und Fusionsenergie ein. Vor ein paar Jahren kündigte das von Google unterstützte DeepMind an, dass es ein KI‑System trainiert hat, um Plasma zu steuern in einem Kernfusionsreaktor. Das AI Lab entwickelte ein RL‑KI‑System, das Magneten steuert und Tausende Male pro Sekunde die Spannung ändert.

Das Unternehmen mit einem Marktwert von 1,75 Billionen $ hat seine Aktien bei 140,38 $ gehandelt, ein Anstieg von 3 % im Jahresverlauf. Google meldete einen Umsatz (TTM) von 307,39 Mrd. $ und hat ein EPS (TTM) von 5,80, ein KGV (TTM) von 24,17 und eine Eigenkapitalrendite (ROE) (TTM) von 27,36 %.

#2. TAE Technologies

Früher bekannt als Tri Alpha Energy, konzentriert sich das kalifornische Unternehmen auf die Entwicklung von Fusionsenergietechnologie. TAE Technologies aktualisiert derzeit seine Fusionsplattform Norman zu einer sechsten Generation Maschine namens Copernicus. Wenn alles reibungslos verläuft, plant das Unternehmen, Anfang der 2030er Jahre sein erstes Prototyp‑Kraftwerk zu bauen, das an das Netz angeschlossen werden kann, und die Skalierung, um „robuste und zuverlässige“ kommerzielle Energie zu entwickeln, würde sich über das Jahrzehnt erstrecken. Fusion würde uns laut CEO Michl Binderbauer in ein „Paradigma des Überflusses“ führen.

Im Jahr 2022 investierten Google und Chevron in TAE Technologies im Rahmen einer Kapitalerhöhung von 250 Mio. $, wobei Google bereits seit einem Jahrzehnt mit TAE zusammenarbeitet und dem Unternehmen KI‑ und Rechenleistung bereitstellt.

#3. ITER

Der International Thermonuclear Experimental Reactor ist ein internationales Forschungs‑ und Ingenieur‑Megaprojekt zur Kernfusion, das seine Fusionsforschung und -entwicklung mit ML und KI vorantreibt.

“Große Wissenschaftsprojekte wie ITER bieten einen reichen Datenschatz, der ideal für KI ist. Sie geben uns die einzigartige Möglichkeit, zu lernen, zu trainieren, zu extrapolieren und diese Fähigkeiten in anderen Fertigungsbereichen anzuwenden.”

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

Fazit

Wie wir in diesem Beitrag erläuterten, hat KI das Potenzial, verschiedene Aspekte des Fusionsprozesses zu transformieren. Neuere technologische Fortschritte wecken jedoch die Hoffnung, die langjährigen Herausforderungen dieser Branche zu überwinden. Durch die Nutzung der Rechenleistung und Mustererkennungsfähigkeiten künstlicher Intelligenz können wir die Entwicklung von Fusionsenergie beschleunigen und schließlich eine nachhaltige Energiezukunft Realität werden lassen.