Fusion mit KI meistern, um unendlich viel saubere Energie freizusetzen

Angesichts der raschen Erschöpfung der fossilen Brennstoffe und der Verschärfung des Klimawandels befinden wir uns in einer kritischen Bedarf an sauberer Energie. 

Erneuerbare Energiequellen bieten zwar eine vielversprechende Alternative, haben aber ihre besitzen Herausforderungen in Hinsicht auf Einschränkungen bei der Energiespeicherung, Komplexität der Netzintegration, hohe Anschaffungskosten und die schwankende Verfügbarkeit einiger Energiequellen wie Sonne und Wind. Darüber hinaus stellen Landnutzung, politische Barrieren und der Bedarf an robuster Infrastruktur erhebliche Hürden dar. 

Dieser Hier kann die Kernenergie die Spielregeln ändern. Kernenergie ist eine Energieform, die aus dem Atomkern freigesetzt wird. Dabei handelt es sich um den positiv geladenen inneren Kern von Atomen, der aus Protonen und Neutronen besteht. 

Nach Angaben der Internationalen Energieagentur (IEA) macht die Kernenergie etwa 10% der Stromerzeugung weltweit. 

Doch trotz der Möglichkeit, emissionsfreien Strom zu erzeugen, schränken hohe Vorlaufkosten, lange Vorlaufzeiten und eine schlechte Liefertreue die Nutzung der Kernenergie ein, so die IEAAllerdings birgt die neue Dynamik auf der ganzen Welt das Potenzial, eine neue Ära der Kernenergie einzuläuten, da in China, Europa, Indien, Japan und Korea Reaktoren in den kommerziellen Betrieb gehen.

Nun gibt es zwei Möglichkeiten, diese Energiequelle zu erzeugen:

• Fusion
• Spaltung

Bei der Kernspaltung werden die Kerne schwerer Atome in kleinere gespalten. Bei der Kernfusion verschmelzen die Kerne leichterer Atome zu einem schwereren Atom. Beide Prozesse setzen enorme Energiemengen frei.

Während derzeit nur die Kernspaltung im großen Maßstab zur Stromerzeugung eingesetzt wird, liegt unser Schwerpunkt heute auf der Kernfusion.

Noch in der Forschungs- und Entwicklungsphase, Kernfusion trägt nur sehr wenig zur weltweiten Energieproduktion bei, birgt jedoch ein enormes Potenzial für die Zukunft. Es gehört tatsächlich zu den umweltfreundlichsten Energiequellen, da bei der Herstellung weder Kohlendioxid noch andere schädliche Emissionen entstehen.

CO2-freier Strom aus Fusionskraftwerken kann zudem kontinuierlich fließen, unabhängig vom Wetter und von Tag und Nacht. Im Gegensatz zur Kernspaltung entstehen bei der Fusion weder potenziell verheerende Kernschmelzen noch langlebiger radioaktiver Atommüll.

Fusion trägt nicht nur nicht dazu bei, Treibhausgasemissionen (THG)., seine beiden Hauptbrennstoffquellen, Wasserstoff (für Deuterium) und Lithium (für Tritium), sind ebenfalls weithin verfügbar.

Vor diesem Hintergrund ist die Kernfusion Es wird erwartet um den Energiebedarf der Menschheit seit Millionen von Jahren zu decken, und Länder auf der ganzen Welt arbeiten aktiv daran, dieses Ziel zu verwirklichen. 

Hindernisse zwischen Vision und Realität der Kernenergie

Das Konzept der Kernfusion wurde erstmals im Jahr 1915 vom amerikanischen Chemiker William Draper Harkins vorgeschlagen. Aber wir haben es noch nicht wirklich geschafft. 

Fusionsreaktionen bilden die grundlegende Energiequelle der Sterne, einschließlich der Sonne, der riesigen Kugel aus heißem Gas. Es ist der Prozess der thermonuklearen Fusion, der die Sonne und die Sterne seit Millionen von Jahren leuchten lässt.

Bei der thermonuklearen Fusion verbinden sich Atomkerne bei extrem hohen Temperaturen von zehn bis hundert Millionen Grad Celsius. Dadurch entsteht genügend Energie, um die gegenseitige elektrische Abstoßung zweier Kerne zu überwinden. Anschließend verschmelzen sie zu einem einzigen Kern und setzen erhebliche Energie frei.

Die enorme Gravitationskraft der Sonne spielt dabei eine Schlüsselrolle, da sie extremen Druck und Hitze erzeugt und die Voraussetzungen für die Fusion schafft. Ohne die Schwerkraft wäre die Sonne nicht heiß und dicht genug, um eine Fusion zu ermöglichen. 

Um auf der Erde eine Kernfusion zu erzeugen, ohne dabei die erdrückende Schwerkraft zu beeinträchtigen, müssen leichte Isotope in einen Reaktor gegeben und dann auf Hunderte Millionen Grad Celsius erhitzt werden, wodurch sie zu einem ionisierten „Plasma“ werden.

Plasma ist ein geladenes Gas aus positiven Ionen und frei beweglichen Elektronen. Es ist extrem heiß und schwer zu kontrollieren, erfordert eine Magnetfeld, um ein Entweichen zu verhindern.

Wissenschaftlern ist es gelungen, routinemäßig Bedingungen für die Kernfusion zu erreichen, aber die Plasmastabilität und verbesserte Einschlusseigenschaften müssen noch erreicht werden um die Reaktion aufrechtzuerhalten und nachhaltig Energie zu produzieren.

Ende 2022 beispielsweise ein Fusionsexperiment im Wert von mehreren Milliarden Dollar gelang es schließlich, eine winzige Isotopenprobe dazu zu bringen, mehr Energie freizusetzen als die Laserenergie, die zu ihrer Zündung verwendet wurde. Dies hielt jedoch nur etwa eine Zehntel Nanosekunde an.

Daher ist die Kernfusion ein sehr anspruchsvoller Prozess, der extreme Bedingungen mit hohen Temperaturen und starkem Druck erfordert.

Dann besteht die Notwendigkeit, das Plasma zu stabilisieren, zu verhindern, dass es die Reaktorwände berührt, und minimieren Wärmeverlust, wodurch die Aufrechterhaltung der Reaktion erschwert wird. Aus technischer Sicht benötigen wir große, leistungsstarke supraleitende Magnete, um das Plasma in Tokamaks, einem gängigen Typ ringförmiger Fusionsreaktoren, einzuschließen, und moderne Vakuumsysteme, um die extrem niedrigen Drücke zu erreichen und aufrechtzuerhalten.

Darüber hinaus benötigen wir Materialien, die hohen Temperaturen, hohen Wärmeströmen und intensiver Neutronenstrahlung standhalten. Um diese Herausforderungen zu bewältigen, wenden sich Wissenschaftler der künstlichen Intelligenz (KI) zu. 

KI spielt eine immer wichtigere Rolle bei der Beschleunigung der Forschung und Entwicklung im Bereich der Kernfusion. Durch den Einsatz von maschinellem Lernen und anderen KI-Algorithmen optimieren Forscher das Reaktordesign, finden und korrigieren grundlegende Messfehler, beschleunigen die Materialforschung, prognostizieren und verhindern Plasmastörungen, kontrollieren den Plasmazustand und verbessern die Effizienz und Stabilität von Fusionsreaktionen.

Durch die Verarbeitung riesiger Mengen komplexer Daten und der komplexen Beziehungen zwischen verschiedenen Facetten des Fusionsprozesses kann KI unser Verständnis davon weiter verbessern, die Entwicklung neuer Reaktordesigns beschleunigen und die Entwicklungszeiten erheblich verkürzen und so den Weg für die Kommerzialisierung der Kernenergie ebnen.

KI hilft, die physikalischen Barrieren der Fusion zu überwinden

KI verändert Branchen rasant, darunter auch den Energiesektor, wo sie durch die Bereitstellung kohlenstofffreier, unbegrenzter Kernenergie zur Lösung der globalen Energiekrise beiträgt. 

In diesem Zusammenhang nutzte Google DeepMind tiefes bestärkendes Lernen (RL) zur erfolgreichen Kontrolle des Plasmas¹ in einem Tokamak und es präzise in verschiedene Formen bringen. Bei der Entwicklung des RL-Systems arbeiteten sie mit dem Swiss Plasma Center der EPFL zusammen. Das System erkennt selbstständig, wie die Magnetspulen um einen Tokamak gesteuert und das Plasma darin eingeschlossen werden können.

Letztes Jahr veröffentlichte das Unternehmen auch einen Plasmasimulator namens TORAX², das den „Kern“ des Plasmas modelliert und dann Änderungen der Temperatur, Dichte und des elektrischen Stroms vorhersagt. 

Anfang letzten Jahres nutzte ein Team der Princeton University RL auch, um die häufigste Form von Störungen im Fusionsplasma bis zu 300 Millisekunden vor ihrem Auftreten vorherzusagen. Diese sogenannten „Tearing-Mode-Instabilitäten“ treten auf, wenn die magnetischen Feldlinien innerhalb eines Plasmas brechen, dieses entweichen kann und so den Fusionsprozess stoppt. 

Man gehe davon aus, dass diese Instabilitäten „noch deutlicher werden, wenn wir Fusionsreaktionen mit den hohen Leistungen durchführen, die zur Erzeugung ausreichender Energie erforderlich sind“, sagte Erstautor Jaemin Seo, Assistenzprofessor für Physik an der südkoreanischen Chung-Ang-Universität. „Sie stellen für uns eine wichtige Herausforderung dar.“

Ihr KI-Modell prognostiziert potenzielle Instabilitäten im Tearing-Modus im Voraus³ und nimmt dann Änderungen an bestimmten Betriebsparametern vor, um das Reißen innerhalb der magnetischen Feldlinien des Plasmas zu vermeiden.

Das anhand früherer Versuchsdaten trainierte Modell erhält das Ziel, eine hochwirksame Reaktion aufrechtzuerhalten. Dabei werden Bedingungen wie Instabilität im Tearing-Modus sowie die Stellschrauben vorgegeben, mit denen es diese Ergebnisse erzielen kann. Mit der Zeit lernt das KI-Modell den optimalen Weg, um das Ziel der hohen Leistung aufrechtzuerhalten und gleichzeitig Instabilität zu vermeiden.

„Anstatt Informationen aus physikbasierten Modellen einzubeziehen, könnte die KI durch das Lernen aus früheren Experimenten eine endgültige Kontrollrichtlinie entwickeln, die in Echtzeit in einem echten Reaktor ein stabiles, leistungsstarkes Plasmaregime unterstützt.“

– Forschungsleiter Egemen Kolemen

Während das Modell zahllose simulierte Fusionsexperimente durchführte, um Wege zu finden, beobachtete das Team im Hintergrund seine „Absichten“ und verfeinerte seine Aktionen und fungierte als Vermittler „zwischen dem, was die KI tun möchte und dem, was der Tokamak leisten kann“.

Das Team aus Ingenieuren, Physikern und Datenwissenschaftlern hat sein Modell in Experimenten an der DIII-D National Fusion Facility in San Diego getestet und demonstriert.

Dann erschien Anfang des Jahres eine Forschungsarbeit mit dem Titel „Vorhersage von Leistung und Turbulenz in ITER-Brennplasmen durch nichtlineare gyrokinetische Profilvorhersage"⁴ wurde von Nathan Howard veröffentlicht, einem leitenden Forschungswissenschaftler am MIT Plasma Science and Fusion Center (PSFC).

Howard und sein Team nutzten ML und Simulationen, um vorherzusagen, wie sich Plasma in einem Fusionsgerät verhalten wird. 

In dem Papier erklärten sie, dass hochauflösende Turbulenzsimulationen bestätigen, dass der ITER-Tokamak, die derzeit in Südfrankreich im Bau befindliche weltweit größte experimentelle Fusionsanlage, bei Inbetriebnahme, die frühestens im Jahr 2035 erfolgen wird, die erwartete Leistung erbringen wird.

Um das Szenario zu überprüfen, verwendete das Team CGYRO, ein zeitintensives Programm, das wendet ein komplexes Plasmaphysikmodell auf bestimmte Betriebsbedingungen an, um detaillierte Simulationen des Plasmaverhaltens an verschiedenen Stellen innerhalb einer Fusionsanlage zu erstellen.

Die Simulationen wurden dann durchgeführt durch das PORTALS-Framework, das die hochpräzisen Läufe übernimmt und ML verwendet, um ein „Surrogat“ zu erstellen, ein Modell, das „die Ergebnisse der komplexeren Läufe nachahmen kann, aber viel schneller.“

Hochpräzise Modellierungstools wie PORTALS, so die Forscher, ermöglichen „einen Einblick in den Plasmakern, bevor er sich überhaupt bildet. Dieser Ansatz, der die Vorhersage in den Vordergrund stellt, ermöglicht es uns, in einer Anlage wie ITER effizientere Plasmen zu erzeugen.“

Das Team demonstrierte auch verschiedene Betriebsaufbauten, bei denen die gleiche Energiemenge kann erzeugt werden aber mit weniger Energieeinsatz.

Zum Scrollen wischen →

Abbildung der Fusionsschatten mit HEAT-ML 

Ein neuer KI-Ansatz ist jetzt verwendet werden um das Innere von Fusionsreaktoren vor der extremen Hitze des Plasmas zu schützen. Diese neue Methode beschleunigt die Berechnungsgeschwindigkeit falls angefordert um „magnetische Schatten“ in den Fusionsbehältern zu finden.

Diese Schatten sind sichere Häfen, die sind geschützt durch die intensive Plasmahitze.

Die Hitzeherausforderung im Tokamak

Wie bereits erwähnt, erreicht die Wärme des Plasmas, wenn es mithilfe von Magnetfeldern im Tokamak eingeschlossen wird, eine Temperatur, die sogar höher ist als die des Sonnenkerns. Um die Fusion nutzen zu können, muss diese Wärme kontrolliert werden.

Laut Doménica Corona Rivera, einer assoziierten Forschungsphysikerin am Princeton Plasma Physics Laboratory (PPPL):

„Die plasmaseitigen Komponenten des Tokamaks könnten mit dem sehr heißen Plasma in Kontakt kommen und diese Elemente schmelzen oder beschädigen. Das Schlimmste, was passieren könnte, wäre, dass der Betrieb eingestellt werden müsste.“

Um dieses Problem zu lösen, nutzen die Forscher KI, die die Berechnungen beschleunigen kann, mit denen sich vorhersagen lässt, wo genau im Tokamak die Hitze eintreffen wird.

Durch die deutliche Beschleunigung der HEAT-Berechnungen ermöglicht das Modell Echtzeitanwendungen für Divertorschutz- und Kontrollmaßnahmen.

Eine Zusammenarbeit zur Förderung von Fusionsinnovationen

Eine öffentlich-private Partnerschaft zwischen PPL, dem Oak Ridge National Laboratory des US-Energieministeriums (DOE) und dem Fusionsenergieunternehmen Commonwealth Fusion Systems (CFS), einem Spin-off des MIT, das ein kleines Fusionskraftwerk auf Basis des ARC-Tokamak-Designs bauen will, führte zu diesem neuen KI-Ansatz namens HEAT-ML.

Das ML-basierte Ersatzmodell (HEAT-ML) ist detailliert in der neuesten Studie mit dem Titel „Schattenmaskenvorhersagen in plasmaseitigen SPARC-Tokamak-Komponenten unter Verwendung von HEAT-Code und Methoden des maschinellen Lernens"⁵

HEAT-ML zielt darauf ab, die Grundlage für eine Software zu schaffen, die die Entwicklung zukünftiger Fusionssysteme beschleunigt und durch die Anpassung des Plasmas Problemen vorbeugt, bevor sie auftreten, um fundierte Entscheidungen zu ermöglichen.

„Diese Forschung zeigt, dass man aus einem vorhandenen Code einen KI-Ersatz erstellen kann, der die Suche nach nützlichen Antworten beschleunigt und interessante Möglichkeiten hinsichtlich der Steuerung und Szenarioplanung eröffnet.“

– Co-Autor des Artikels, Michael Churchill, Leiter der Abteilung für digitales Engineering bei PPPL.

Kartierung magnetischer Schatten zum Schutz von Materialien

HEAT-ML hat wurde speziell gemacht um einen kleinen Teil von SPARC zu simulieren.

SPARC ist ein Tokamak, der derzeit vom CFS in Zusammenarbeit mit dem MIT PSFC entwickelt wird. Er soll im nächsten Jahr in Betrieb gehen und soll bis 2027 einen Nettoenergiegewinn erzielen und mehr Energie erzeugen, als er verbraucht.

Um dies zu erreichen, simulieren die Forscher, wie sich Hitze auf das Innere dieses Tokamaks auswirkt.

Die Forscher haben diese große rechnerische Herausforderung bewältigt, indem sie sich auf den SPARC-Bereich konzentrierten, wo die Hitze des Plasmas am stärksten auf die Materialwand trifft. Das sind 15 Kacheln rund um die Basis der Maschine, also den Teil, in dem das Abgassystem der größten Hitze ausgesetzt ist.

Um diese Simulation zu erstellen, hat das Team Schattenmasken erstellt, bei denen es sich um 3D-Karten magnetischer Schatten handelt. Diese Karten sind bestimmte Bereiche auf den Oberflächen der internen Komponenten eines Fusionssystems, die sind geschützt vor direkter Hitze. Ihre Position hängt von der Form der Teile im Tokamak ab und davon, wie sie mit den magnetischen Feldlinien interagieren, die das Plasma einschließen.

Beschleunigung von Simulationen von Minuten auf Millisekunden

Die Schattenmasken wurden ursprünglich berechnet mit dem Open-Source-Computerprogramm namens Hitze-oder das Heat Flux Engineering Analysis Toolkit.

Entwickelt von Tom Looby von CFS in Zusammenarbeit mit dem Leiter des SPARC Diagnostic Teams, Matt Reinke, Dieses Programm wurde zunächst angewendet zum Abgassystem für PPPLs sphärischen Tokamak namens National Spherical Torus Experiment-Upgrade Machine (NSTX-U), der ist entworfen der Mächtigste der Welt zu sein.

Die Forscher haben nun maschinelles Lernen als Ergänzung zu HEAT eingesetzt und 3D-Ersatzmodelle für schnelle und präzise Berechnungen der Wärmebelastung entwickelt.

Das resultierende HEAT-ML verfolgt die magnetischen Feldlinien von der Oberfläche eines Bauteils, um zu sehen, ob sie andere interne Teile schneiden. Wenn die Linie schneidet, ist dieser Punkt ist markiert als Schattenbereich oder magnetischer Schatten.

Der gesamte Prozess des Nachverfolgens von Linien und der Erkennung ihrer Schnittpunkte mit der detaillierten 3D-Maschinengeometrie stellte jedoch einen erheblichen Engpass dar und konnte für eine einzige Simulation etwa 30 Minuten dauern. Bei komplexen Geometrien kann es sogar noch länger dauern.

HEAT-ML ermöglichte es dem Team, diese Einschränkung zu überwinden und die Berechnungen auf wenige Millisekunden zu beschleunigen. 

Auf dem Weg zur Echtzeitsteuerung von Fusionskraftwerken

Das HEAT-ML-Modell verwendet ein tiefes neuronales Netzwerk, eine Form der KI mit mehreren verborgenen Schichten, die auf Daten angewendet wird, um durch Mustererkennung bestimmte Aufgaben zu erlernen. In diesem Fall wurde HEAT-ML anhand von etwa 1,000 SPARC-Simulationen von HEAT trainiert, um Schattenbereiche zu identifizieren.

Da es mit dem spezifischen Design des SPARC-Abgassystems verknüpft ist, funktioniert HEAT-ML nur für diesen Teil dieses speziellen Tokamaks.

Derzeit handelt es sich um eine optionale Einstellung im HEAT-Code. Das Team hofft jedoch, die Fähigkeiten seines Modells erweitern zu können, um die Schattenmaskenberechnungen für alle Abgassysteme, unabhängig von ihrer Größe und Form, sowie für andere plasmaberührte Komponenten im Tokamak zu verallgemeinern.

Der Leistungsabzug stellt laut der Studie eine entscheidende Herausforderung für die nächste Generation von Fusionsanlagen dar und erfordert innovative Lösungen bei der Konstruktion und dem Betrieb von Divertoren. In der Studie heißt es:

„Das ultimative Ziel ist die Integration des Modells für die Echtzeitsteuerung und zukünftige Betriebsentscheidungen.“ 

Investitionen in Kernenergie

Der Tech-Riese Microsoft Corporation (MSFT + 0.06%) erforscht aktiv die Kernenergie und ihre Beschleunigung durch KI, da es der Ansicht ist, dass es Teil eines Mixes kohlenstofffreier Energiequellen sein sollte. 

Melanie Nakagawa, Chief Sustainability Officer bei Microsoft, bezeichnete die Fusion als eine langfristige Wette und sagte, dass in den letzten Jahren verschiedene Arten von Meilensteinen erreicht wurden. getroffen worden von der Industrie, die „großen Optimismus geweckt hat, dass dies der Moment sein könnte, in dem die Fusion tatsächlich noch in diesem Jahrzehnt oder fast in diesem Jahrzehnt voranschreitet.“

Microsoft Corporation (MSFT + 0.06%)

Zur Erreichung seiner Fusionsziele unterzeichnete Microsoft bereits 2023 einen bahnbrechenden Vertrag mit dem privaten Fusions-Startup Helion Energy. Gemäß dem Vertrag wird Helion die Rechenzentren von Microsoft bis 2028 mit durch Fusion erzeugtem Strom versorgen.

Ebenfalls unterstützt durch den Risikokapitalzweig von SoftBank und Sam Altman von OpenAI begann Helion in diesem Jahr mit dem Bau seines geplanten Kernfusionskraftwerks namens Orion, obwohl die endgültigen Genehmigungen müssen noch eingeholt werden. 

Helions Prototyp Polaris arbeitet derzeit daran, einen Weg zu finden, mehr Energie zu erzeugen als was es braucht um die Reaktion zu erzeugen und aufrechtzuerhalten. Orion wird sich laut seinem CEO in der Zwischenzeit an Stromversorgungsnetze anschließen.

Was die Marktperformance von Microsoft betrifft, so notieren die Aktien des Unternehmens mit einer Marktkapitalisierung von 3.86 Billionen US-Dollar bei rund 521 US-Dollar, ein Plus von 23.41 % seit Jahresbeginn. Der Gewinn pro Aktie (EPS) beträgt 13.64 und das KGV (KGV) 38.25. Die Dividendenrendite beträgt 0.64 %.

Wie für Finanzen Für das am 30. Juni 2025 endende Quartal wurde ein Umsatzanstieg von 18 % auf 76.4 Milliarden US-Dollar, ein Anstieg des Betriebsergebnisses um 23 % auf 34.3 Milliarden US-Dollar und ein Anstieg des Nettogewinns um 24 % auf 27.2 Milliarden US-Dollar gemeldet. Der verwässerte Gewinn pro Aktie lag unterdessen bei 3.65 US-Dollar, ein Plus von 24 %.

„Cloud und KI sind die treibende Kraft der Geschäftstransformation in allen Branchen und Sektoren.“

– CEO Satya Nadella

Letzte Microsoft Corporation (MSFT) Aktiennachrichten und Entwicklungen

Fazit

Einer der vielversprechendsten Wege zu sauberer Energie ist die Kernfusion, doch der Weg zu ihrer Kommerzialisierung ist lang und beschwerlich. KI erweist sich jedoch als Beschleuniger, der diesen jahrhundertealten Traum noch zu unseren Lebzeiten endlich Wirklichkeit werden lassen kann.

Mithilfe KI-basierter Ansätze arbeiten Forscher daran, Fusionssysteme robust und wirtschaftlich rentabel zu machen. Von der Beschleunigung der Forschung über die Lösung von Plasmainstabilitäten bis hin zum Schutz von Reaktorsystemen kann KI dazu beitragen, Kernenergie ins Netz einzuspeisen und der Menschheit unbegrenzten Zugang zu Energie zu ermöglichen.

Klicken Sie hier, um zu erfahren, wie die vierte Generation der Kernenergie aussehen würde.

Referenzen: (Die Referenzliste bleibt in der wissenschaftlichen Zitierweise erhalten)

1. Degrave, J., Felici, F., Buchli, J., et al. Magnetische Steuerung von Tokamak-Plasmen durch Deep Reinforcement Learning. Nature, 602(7897), 414–419, veröffentlicht am 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: Ein schneller und differenzierbarer Tokamak-Transportsimulator in JAX. arXiv-Vorabdruck arXiv:2406.06718, veröffentlicht am 10. Juni 2024, zuletzt überarbeitet am 7. Dezember 2024. https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., et al. Vermeidung von Fusionsplasma-Tearing-Instabilität durch Deep Reinforcement Learning. Natur, 626(8001), 746–751, veröffentlicht am 21. Februar 2024. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, NT, Rodriguez-Fernandez, P., Holland, C., & Candy, J. Vorhersage von Leistung und Turbulenz in brennenden ITER-Plasmen durch nichtlineare Vorhersage des gyrokinetischen Profils. Kernfusion, 65(1), 016002, veröffentlicht am 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. Schattenmaskenvorhersagen in plasmaseitigen SPARC-Tokamak-Komponenten unter Verwendung von HEAT-Code und Methoden des maschinellen Lernens. Fusionstechnik und -design, 217, 115010, veröffentlicht August 2025. https://doi.org/10.1016/j.fusengdes.2025.115010