Fusion mit KI meistern, um unendliche saubere Energie freizusetzen

Mit den fossilen Brennstoffen, die schnell zur Neige gehen, und dem sich verschärfenden Klimawandel befinden wir uns in einem kritischen Bedarf an sauberer Energie. 

Während erneuerbare Energiequellen eine vielversprechende Alternative bieten, haben sie ihre eigenen Herausforderungen in Bezug auf Speicherbeschränkungen, Komplexität der Netzintegration, hohe Anfangskosten und die intermittierende Natur einiger Quellen wie Solar und Wind. Zusätzlich stellen Landnutzung, politische Hürden und der Bedarf an robuster Infrastruktur ebenfalls erhebliche Hindernisse dar. 

Hier kann die Kernenergie das Spiel verändern. Kernenergie ist eine Form von Energie, die aus dem Kern freigesetzt wird, dem positiv geladenen zentralen Kern von Atomen, bestehend aus Protonen und Neutronen. 

Laut der Internationalen Energieagentur (IEA) macht die Kernenergie etwa 10% der weltweiten Stromerzeugung aus. 

Aber trotz seiner Fähigkeit, emissionsfreie Energie zu erzeugen, begrenzen hohe Anfangskosten, lange Vorlaufzeiten und eine schlechte Bilanz bei termingerechten Lieferungen die Einführung der Kernenergie, so die IEA. Dennoch hat frischer Schwung weltweit das Potenzial, eine neue Ära für die Kernenergie zu eröffnen, wobei Reaktoren in China, Europa, Indien, Japan und Korea mit dem kommerziellen Betrieb beginnen sollen.

Jetzt gibt es zwei Wege, wie diese Energiequelle erzeugt werden kann:

• Fusion
• Spaltung

Spaltung ist der Prozess, bei dem die Kerne schwerer Atome in kleinere gespalten werden. Fusion ist der Prozess, bei dem die Kerne leichterer Atome zusammengeführt werden, um einen schwereren Kern zu bilden. Beide setzen enorme Energiemengen frei.

Während derzeit nur die Spaltung in großem Maßstab zur Stromerzeugung genutzt wird, liegt unser Fokus heute auf der Kernfusion.

Noch in der Forschungs- und Entwicklungsphase trägt die Kernfusion nur wenig zur globalen Energieproduktion bei, obwohl sie ein enormes Zukunftspotenzial besitzt. Sie gehört tatsächlich zu den umweltfreundlichsten Energiequellen, da während des Prozesses weder Kohlendioxid noch andere schädliche Emissionen entstehen.

CO2-freier Strom aus Fusionskraftwerken kann kontinuierlich fließen, unabhängig vom Wetter oder von Tag und Nacht. Im Gegensatz zur Spaltung verursacht die Fusion nicht einmal potenziell katastrophale Schmelzen oder langlebige radioaktive Abfälle.

Fusion trägt nicht nur nicht zu Treibhausgasemissionen (THG) bei, sondern ihre beiden Hauptbrennstoffe, Wasserstoff (für Deuterium) und Lithium (für Tritium), sind ebenfalls weit verbreitet.

Vor diesem Hintergrund wird erwartet, dass die Kernfusion den Energiebedarf der Menschheit für Millionen von Jahren deckt, und das veranlasst Länder weltweit, aktiv daran zu arbeiten, sie zur Realität zu machen. 

Hindernisse zwischen Kernenergie-Vision und Realität

Im Jahr 1915 wurde das Konzept der Kernfusion erstmals vom amerikanischen Chemiker William Draper Harkins vorgeschlagen. Aber wir haben es noch nicht in bedeutendem Maße erreicht. 

Fusionsreaktionen bilden tatsächlich die grundlegende Energiequelle von Sternen, einschließlich der riesigen heißen Gaskugel, der Sonne. Es ist der Prozess, der als thermonukleare Fusion bezeichnet wird und die Sonne sowie die Sterne seit Millionen von Jahren zum Leuchten bringt.

Bei der thermonuklearen Fusion verbinden sich Atomkerne bei extrem hohen Temperaturen von zehn bis hundert Millionen Grad Celsius, was genug Energie liefert, um die gegenseitige elektrische Abstoßung zweier Kerne zu überwinden. Sie verschmelzen dann zu einem einzigen Kern und setzen erhebliche Energie frei.

Die enorme Gravitationskraft der Sonne spielt hier eine Schlüsselrolle, da sie extremen Druck, Hitze und die Bedingungen für die Fusion erzeugt. Ohne Schwerkraft wäre die Sonne nicht heiß und dicht genug, damit Fusion stattfinden kann. 

Jetzt bedeutet die Erzeugung von Kernfusion auf der Erde ohne die enormen Gravitationskräfte, leichte Isotope in einen Reaktor zu geben und sie dann auf mehrere hundert Millionen Grad Celsius zu erhitzen, wodurch sie zu einem ionisierten „Plasma“ werden.

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

Wissenschaftler konnten bereits routinemäßig Bedingungen für die Kernfusion erreichen, aber die Plasmastrabilität und verbesserte Einschluss‑Eigenschaften sind noch nicht erreicht worden, um die Reaktion aufrechtzuerhalten und Energie nachhaltig zu erzeugen.

Zum Beispiel gelang es Ende 2022 einem milliardenschweren Fusionsexperiment ein winziges Isotopen‑Sample mehr Energie freizusetzen als die Laserenergie, die zu seiner Zündung verwendet wurde, jedoch hielt es nur etwa ein Zehntel einer Nanosekunde an.

Daher ist Kernfusion ein sehr herausfordernder Prozess, der extreme Bedingungen von hohen Temperaturen und starkem Druck erfordert.

Dann besteht die Notwendigkeit, das Plasma zu stabilisieren, zu verhindern, dass es die Reaktorwände berührt, und den Wärmeverlust zu minimieren, was es schwierig macht, die Reaktion aufrechtzuerhalten. Ingenieurtechnisch benötigen wir große, leistungsstarke Supraleitungsmagnete, um das Plasma in Tokamaks, einer gängigen torusförmigen Fusionsreaktorart, einzuschließen, sowie fortschrittliche Vakuumsysteme, um die extrem niedrigen Drücke zu erreichen und zu halten.

Zusätzlich benötigen wir Materialien, die hohen Temperaturen, hohen Wärmestrom und intensiver Neutronenstrahlung standhalten können. Um diese Herausforderungen zu bewältigen, wenden Wissenschaftler künstliche Intelligenz (KI) an. 

KI spielt eine zunehmend zentrale Rolle bei der Beschleunigung von Forschung und Entwicklung der Kernfusion. Durch den Einsatz von Machine Learning und anderen KI‑Algorithmen optimieren Forscher das Reaktordesign, finden und korrigieren grundlegende Messfehler, beschleunigen die Materialentdeckung, sagen Plasma‑Störungen voraus und verhindern sie, steuern den Plasma‑Zustand und verbessern die Effizienz und Stabilität von Fusionsreaktionen.

Indem KI riesige Mengen komplexer Daten und die komplexen Zusammenhänge verschiedener Aspekte des Fusionsprozesses verarbeitet, kann sie unser Verständnis weiter vertiefen, die Entwicklung neuer Reaktordesigns beschleunigen und die Entwicklungszeit erheblich verkürzen, wodurch die Kommerzialisierung der Kernenergie ermöglicht wird.

KI hilft, die physikalischen Barrieren der Fusion zu überwinden

KI transformiert Branchen rasant, einschließlich des Energiesektors, wo sie hilft, die globale Energiekrise zu lösen, indem sie kohlenstofffreie, grenzenlose Kernenergie ermöglicht. 

In diesem Zusammenhang nutzte Google DeepMind Deep Reinforcement Learning (RL) um das Plasma¹ in einem Tokamak erfolgreich zu steuern und es präzise in verschiedene Formen zu modellieren. Zur Entwicklung des RL‑Systems arbeiteten sie mit dem Swiss Plasma Center an der EPFL zusammen. Das System entdeckt autonom, wie die Magnetspulen um einen Tokamak zu steuern und das Plasma darin zu halten sind.

Im vergangenen Jahr veröffentlichte das Unternehmen außerdem einen Plasmasimulator namens TORAX², der den „Kern“ des Plasmas modelliert und anschließend Änderungen von Temperatur, Dichte und elektrischem Strom vorhersagt. 

Anfang des letzten Jahres nutzte ein Team der Princeton University ebenfalls RL, um die führende Form von Störungen im Fusionsplasma bis zu 300 Millisekunden vor ihrem Auftreten vorherzusagen. Bekannt als „Tearing‑Mode‑Instabilitäten“, treten sie auf, wenn die Magnetfeldlinien innerhalb eines Plasmas brechen, wodurch es entweicht und der Fusionsprozess gestoppt wird. 

Diese Instabilitäten werden voraussichtlich „noch ausgeprägter werden, wenn wir versuchen, Fusionsreaktionen bei den hohen Leistungen zu betreiben, die nötig sind, um ausreichend Energie zu erzeugen“, sagte der Erstautor Jaemin Seo, Assistenzprofessor für Physik an der Chung‑Ang‑Universität in Südkorea. „Sie stellen eine wichtige Herausforderung für uns dar, die es zu lösen gilt.“

Ihr KI‑Modell sagt potenzielle Tearing‑Mode‑Instabilitäten im Voraus voraus³ und ändert anschließend bestimmte Betriebsparameter, um das Reißen innerhalb der Magnetfeldlinien des Plasmas zu vermeiden.

Das Modell, das mit früheren experimentellen Daten trainiert wurde, hat das Ziel, eine hochleistungsfähige Reaktion aufrechtzuerhalten, wobei es Bedingungen zu vermeiden gibt, wie die Tearing‑Mode‑Instabilität, und Regler, die es drehen kann, um diese Ergebnisse zu erzielen. Im Laufe der Zeit „lernt“ das KI‑Modell den optimalen Pfad, um das Hochleistungsziel zu halten und gleichzeitig Instabilitäten zu vermeiden.

„Indem es aus vergangenen Experimenten lernt, anstatt Informationen aus physikbasierten Modellen zu übernehmen, konnte die KI eine endgültige Steuerungsstrategie entwickeln, die ein stabiles, hochleistungsfähiges Plasmaregime in Echtzeit in einem realen Reaktor unterstützt.“

– Forschungsleiter Egemen Kolemen

Während das Modell unzählige simulierte Fusions‑Experimente durchführte, um Wege zu finden, beobachtete das Team im Hintergrund seine „Absichten“ und verfeinerte die Aktionen, wobei es als Schlichter zwischen dem, was die KI tun möchte, und dem, was der Tokamak zulassen kann, fungierte.

Das Team aus Ingenieuren, Physikern und Datenwissenschaftlern testete und demonstrierte ihr Modell in Experimenten im DIII‑D National Fusion Facility in San Diego.

Dann, Anfang dieses Jahres, wurde ein Forschungspapier mit dem Titel „Prediction of Performance and Turbulence in ITER Burning Plasmas via Nonlinear Gyrokinetic Profile Prediction⁴“ von Nathan Howard, einem leitenden Forschungswissenschaftler am MIT Plasma Science and Fusion Center (PSFC), veröffentlicht.

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

„In dem Papier erklärten sie, dass hochauflösende Turbulenzsimulationen bestätigen, dass der ITER‑Tokamak, das derzeit im Süden Frankreichs im Bau befindliche größte experimentelle Fusionsgerät der Welt, wie erwartet funktionieren wird, wenn er in Betrieb geht, was frühestens 2035 der Fall sein wird.“

Um das Szenario zu überprüfen, nutzte das Team CGYRO, ein zeitintensives Programm, das ein komplexes Plasmaphysik‑Modell auf bestimmte Betriebsbedingungen anwendet, um detaillierte Simulationen des Plasmazustands an verschiedenen Stellen innerhalb eines Fusionsgeräts zu erzeugen.

Die Simulationen wurden anschließend durch das PORTALS‑Framework laufen gelassen, das die hochpräzisen Durchläufe nimmt und mittels ML ein „Surrogat“ erstellt, ein Modell, das die Ergebnisse der komplexeren Durchläufe nachahmen kann, jedoch viel schneller.

Hochpräzise Modellierungswerkzeuge wie PORTALS, stellten die Forscher fest, bieten „einen Einblick in den Plasmakern, bevor er überhaupt entsteht. Dieser vorher‑vorhersagende Ansatz ermöglicht es uns, effizientere Plasmen in einem Gerät wie ITER zu erzeugen.“

Das Team demonstrierte außerdem verschiedene Betriebsaufbauten, bei denen dieselbe Energiemenge erzeugt werden kann, jedoch mit geringerem Energieaufwand.

Swipe to scroll →

Kartierung der Fusionsschatten mit HEAT‑ML 

Ein neuer KI‑Ansatz wird nun eingesetzt, um die Innenräume von Fusionsreaktoren vor der extremen Hitze des Plasmas zu schützen. Dieser neue Ansatz beschleunigt die für die Suche nach „magnetischen Schatten“ in den Fusionsbehältern erforderlichen Berechnungen.

Diese Schatten sind sichere Zonen, die vor der intensiven Plasma‑Hitze geschützt sind.

Die Hitzeherausforderung im Tokamak

Wie oben erklärt, erreicht die Hitze, die vom Plasma im Tokamak mittels Magnetfeldern eingeschlossen wird, eine Temperatur, die sogar heißer ist als der Kern der Sonne. Um Fusion zu nutzen, muss diese Hitze kontrolliert werden.

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

„Die plasmaexponierten Komponenten des Tokamaks könnten mit dem sehr heißen Plasma in Kontakt kommen, das diese Elemente schmelzen oder beschädigen kann. Das Schlimmste, was passieren kann, ist, dass der Betrieb gestoppt werden muss.“

Um dieses Problem zu überwinden, nutzen die Forscher KI, die die Berechnungen beschleunigen kann, die vorhersagen, wo die Hitze im Tokamak treffen wird.

Durch die signifikante Beschleunigung der HEAT‑Berechnungen ermöglicht das Modell Echtzeitanwendungen für den Schutz des Divertors und Steuerungsmaßnahmen.

Eine Zusammenarbeit zur Förderung von Fusionsinnovation

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

Das ML‑basierte Surrogatmodell (HEAT‑ML) wird in der neuesten Studie mit dem Titel „Shadow masks predictions in SPARC tokamak plasma-facing components using HEAT code and machine learning methods.“⁵

HEAT‑ML zielt darauf ab, die Grundlage für Software zu schaffen, die das Design zukünftiger Fusionssysteme beschleunigt, sowie Probleme im Vorfeld zu verhindern, indem das Plasma angepasst wird, was fundierte Entscheidungen ermöglicht.

„Diese Forschung zeigt, dass man einen bestehenden Code nehmen und ein KI‑Surrogat erstellen kann, das die Fähigkeit, nützliche Antworten zu erhalten, beschleunigt, und sie eröffnet interessante Möglichkeiten in Bezug auf Steuerung und Szenario‑Planung.“

– Mitautor des Papiers, Michael Churchill, Leiter der digitalen Technik am PPPL.

Kartierung magnetischer Schatten zum Schutz von Materialien

HEAT‑ML wurde speziell entwickelt, um einen kleinen Teil von SPARC zu simulieren.

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

Um das zu erreichen, simulieren die Forscher, wie die Hitze das Innere dieses Tokamaks beeinflusst.

Eine große rechnerische Herausforderung bewältigen die Forscher, indem sie sich auf den SPARC‑Abschnitt konzentrieren, in dem die Intensität des Plasmastrahlungs‑Abgases auf die Materialwand trifft. Dabei handelt es sich um 15 Kacheln rund um die Basis der Maschine, wo das Abgassystem am meisten Hitze ausgesetzt sein wird.

Um diese Simulation zu erstellen, entwickelte das Team Schattenmasken, das sind 3D‑Karten magnetischer Schatten. Diese Karten zeigen spezifische Bereiche auf den Oberflächen interner Komponenten eines Fusionssystems, die vor direkter Hitze geschützt sind. Ihre Position hängt von der Form der Teile im Tokamak sowie ihrer Wechselwirkung mit den Magnetfeldlinien, die das Plasma einschließen, ab.

Beschleunigung von Simulationen von Minuten zu Millisekunden

Die Schattenmasken wurden ursprünglich mit dem Open‑Source‑Computerprogramm HEAT, dem Heat‑Flux‑Engineering‑Analysis‑Toolkit, berechnet.

Von Tom Looby von CFS in Zusammenarbeit mit dem Leiter des SPARC‑Diagnostik‑Teams, Matt Reinke, entwickelt, wurde dieses Programm zunächst auf das Abgassystem des sphärischen Tokamaks von PPPL, der National Spherical Torus Experiment‑Upgrade‑Maschine (NSTX‑U), angewendet, die als leistungsstärkste der Welt konzipiert ist.

Die Forscher haben nun Machine Learning eingesetzt, um HEAT zu ergänzen und 3D‑Surrogatmodelle für schnelle und präzise Berechnungen der Wärmebelastung zu entwickeln.

Das resultierende HEAT‑ML folgt den Magnetfeldlinien von der Oberfläche einer Komponente, um zu prüfen, ob sie andere interne Teile kreuzen. Wenn die Linie kreuzt, wird diese Stelle als schattierter Bereich bzw. magnetischer Schatten markiert.

Dieser gesamte Prozess des Nachverfolgens von Linien und des Erkennens, wo sie auf die detaillierte 3‑D‑Maschinengeometrie treffen, stellte jedoch einen erheblichen Engpass dar, der für eine einzige Simulation etwa 30 Minuten beanspruchen konnte. 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. 

Hin zu einer Echtzeit‑Steuerung von Fusionskraftwerken

Das HEAT‑ML‑Modell verwendet ein tiefes neuronales Netzwerk, eine Form von KI mit mehreren verborgenen Schichten, das auf Daten angewendet wird, um spezifische Aufgaben durch Mustererkennung zu erlernen. In diesem Fall wurde HEAT‑ML anhand von etwa 1.000 SPARC‑Simulationen aus HEAT trainiert, um Schattenregionen zu identifizieren.

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

Derzeit ist es also eine optionale Einstellung im HEAT‑Code. Das Team hofft jedoch, die Fähigkeiten ihres Modells zu erweitern, um die Berechnungen von Schattenmasken für beliebige Abgassysteme, unabhängig von Größe und Form, sowie für andere plasmaexponierte Komponenten im Tokamak zu verallgemeinern.

Der Energieabfluss ist laut der Studie eine entscheidende Herausforderung für die nächste Generation von Fusionsgeräten und erfordert innovative Lösungen im Design und Betrieb von Divertoren. Die Studie stellte fest:

„Das ultimative Ziel ist es, das Modell für die Echtzeit‑Steuerung und zukünftige Betriebsentscheidungen zu integrieren.“ 

Investitionen in Kernenergie

Der Technologieriese Microsoft Corporation (MSFT ) erforscht aktiv Kernenergie und deren Beschleunigung durch KI, da das Unternehmen glaubt, dass sie Teil eines Mixes kohlenstofffreier Energiequellen sein sollte. 

Microsofts Chief Sustainability Officer, Melanie Nakagawa, hat Fusion als langfristige Wette bezeichnet und gesagt, dass in den letzten Jahren verschiedene Meilensteine von der Branche erreicht wurden, die „viel Optimismus geschaffen haben, dass dies der Moment sein könnte, in dem die Fusion tatsächlich in diesem Jahrzehnt oder nahe diesem Jahrzehnt vorankommt.“

Microsoft Corporation (MSFT )

Für seine Fusionsziele unterzeichnete Microsoft im Jahr 2023 ein bahnbrechendes Abkommen mit dem privaten Fusions‑Startup Helion Energy. Gemäß dem Vertrag wird Helion bis 2028 fusionserzeugten Strom an Microsoft‑Rechenzentren liefern.

Auch unterstützt von SoftBanks Risikokapitalzweig und OpenAIs Sam Altman, begann Helion in diesem Jahr mit dem Bau seines geplanten Kernfusionskraftwerks namens Orion, obwohl die endgültigen Genehmigungen noch nicht gesichert sind. 

Helions Prototyp Polaris arbeitet derzeit daran, einen Weg zu finden, mehr Energie zu erzeugen, als für die Erzeugung und Aufrechterhaltung der Reaktion benötigt wird. Orion hingegen soll laut CEO an Stromversorgungsnetze angeschlossen werden.

Bezüglich Microsofts Marktperformance werden die Aktien des Unternehmens mit einer Marktkapitalisierung von 3,86 Billionen US‑Dollar bei etwa 521 $ gehandelt, ein Anstieg von 23,41 % seit Jahresbeginn. Das EPS (TTM) beträgt 13,64 und das KGV (TTM) 38,25. Die verfügbare Dividendenrendite liegt bei 0,64 %.

Was die Finanzzahlen für das am 30. Juni 2025 endende Quartal betrifft, zeigte es einen Anstieg des Umsatzes um 18 % auf 76,4 Mrd. $, einen Sprung des operativen Ergebnisses um 23 % auf 34,3 Mrd. $ und einen Anstieg des Nettogewinns um 24 % auf 27,2 Mrd. $. Der verwässerte Gewinn je Aktie lag meanwhile bei 3,65 $, ein Plus von 24 %.

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

– CEO Satya Nadella

Neueste Microsoft Corporation (MSFT) Aktiennachrichten und Entwicklungen

Fazit

Einer der vielversprechendsten Wege zu sauberer Energie ist die Fusion, doch der Weg zu ihrer Kommerzialisierung ist lang und beschwerlich. KI erweist sich jedoch als Beschleuniger, der diesen jahrhundertealten Traum endlich in die Realität umsetzen kann, noch innerhalb unserer Lebenszeit.

Durch den Einsatz KI‑basierter Ansätze arbeiten Forscher daran, Fusionssysteme robust und wirtschaftlich rentabel zu machen. Von der Beschleunigung der Forschung und der Lösung von Plasma‑Instabilitäten bis zum Schutz von Reaktorsystemen kann KI dazu beitragen, Kernenergie ins Netz zu bringen und der Menschheit unbegrenzte Energie zu ermöglichen.

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

Referenzen:

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‑Transport‑Simulator in JAX. arXiv‑Preprint 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 Tearing‑Instabilitäten im Fusionsplasma mittels Deep Reinforcement Learning. Nature, 626(8001), 746–751, veröffentlicht am 21. Februar 2024. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez-Fernandez, P., Holland, C., & Candy, J. Vorhersage von Leistung und Turbulenz in ITER‑Brennplasma mittels nichtlinearer gyrokinetischer Profilvorhersage. Nuclear Fusion, 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. Vorhersagen von Schattenmasken in SPARC‑Tokamak‑Plasma‑exponierten Komponenten mittels HEAT‑Code und Machine‑Learning‑Methoden. Fusion Engineering and Design, 217, 115010, veröffentlicht im August 2025. https://doi.org/10.1016/j.fusengdes.2025.115010