Τεχνητή νοημοσύνη
AI μπορεί να προβλέψει και να αποτρέψει τις αστάθειες της αντίδρασης σύντηξης
Από τη στιγμή που κατανοήθηκε η έννοια της πυρηνικής σύντηξης σχεδόν πριν από έναν αιώνα, από μηχανικούς μέχρι επιστήμονες, όλοι αναζητούν τρόπους να τη δημιουργήσουν και να την αξιοποιήσουν. Τελικά, μόλις επιτύχουμε τη πυρηνική σύντηξη σε βιομηχανική κλίμακα, θα μπορούσε να προσφέρει προσιτή, ασφαλή, μη ρυπογόνα και σχεδόν απεριόριστη ενέργεια για την αυξανόμενη ζήτηση.
Τι είναι η πυρηνική σύντηξη; Είναι μια διαδικασία όπου δύο ή περισσότερα ελαφρά ατομικά πυρήνα ενώνονται για να σχηματίσουν έναν ενιαίο, διαφορετικό και βαρύτερο ατομικό πυρήνα, απελευθερώνοντας τεράστιες ποσότητες ενέργειας. Το ενδιαφέρον είναι ότι οι αντιδράσεις σύντηξης τροφοδοτούν τον ήλιο και τα αστέρια, καθιστώντας δυνατή τη ζωή στη Γη.
Ωστόσο, η σύντηξη δύο ατόμων είναι μάλλον δύσκολη, καθώς απαιτεί τεράστια πίεση και ενέργεια για να ξεπεράσουν την αμοιβαία απώθησή τους. Ο ήλιος το κάνει μέσω της τεράστιας βαρυτικής έλξης και των πολύ υψηλών πιέσεων στον πυρήνα του.
Τώρα, οι ερευνητές προσπαθούν να κατασκευάσουν δικά τους αντιδραστήρες σύντηξης. Αυτές οι αντιδράσεις σύντηξης λαμβάνουν χώρα στο πλάσμα, μια κατάσταση της ύλης. Το πλάσμα, ένα θερμό, φορτισμένο αέριο που αποτελείται από ελεύθερα αρνητικά ηλεκτρόνια και θετικά ιόντα, επιτρέπει τη ροή ηλεκτρικού ρεύματος μέσω του.
Για να αναπαράγουν αυτή τη διαδικασία, οι επιστήμονες χρησιμοποιούν εξαιρετικά θερμό πλάσμα και υπερ-ισχυρούς μαγνήτες. Ωστόσο, το υπερθερμασμένο, εξαιρετικά πολύπλοκο και ακατάστατο πλάσμα μπορεί να χάσει τη σταθερότητά του πολύ γρήγορα και να διαφύγει από τα ισχυρά μαγνητικά πεδία που το περιβάλλουν μέσα στον δακτυλιοειδή αντιδραστήρα σύντηξης, συνήθως σηματοδοτώντας το τέλος της αντίδρασης. Αυτές οι δακτυλιοειδείς συσκευές είναι γνωστές ως τοκάμακ.
Αυτό, φυσικά, θέτει μια κρίσιμη πρόκληση στην ανάπτυξη της σύντηξης ως καθαρή και απεριόριστη πηγή ενέργειας. Ωστόσο, μια ομάδα επιστημόνων δεδομένων, μηχανικών και φυσικών από το Πανεπιστήμιο Princeton και το Εργαστήριο Πλασματικής Φυσικής Princeton (PPPL) του Υπουργείου Ενέργειας των ΗΠΑ, χρησιμοποιεί τεχνητή νοημοσύνη (AI) για να προβλέψει σε πραγματικό χρόνο τη δημιουργία ενός συγκεκριμένου προβλήματος πλάσματος ώστε να το αποφύγει.
Στο Εθνικό Εγκατάσταση Σύντηξης DIII-D στο Σαν Ντιέγκο, η οποία λειτουργεί ως Γραφείο Επιστήμης υπό τη General Atomics για το Υπουργείο Ενέργειας των ΗΠΑ (DOE), οι ερευνητές πραγματοποίησαν τα πειράματά τους και παρουσίασαν το μοντέλο AI τους, το οποίο αποδείχθηκε ότι προβλέπει πιθανές αστάθειες του πλάσματος. Οι αστάθειες που ονομάζονται “tear mode” (διαρρήξεις), μπορούν να προβλεφθούν από την AI πολύ νωρίτερα, έως και 300 χιλιοστά του δευτερολέπτου. Για σύγκριση, κλείνουμε τα μάτια μας κατά μέσο όρο 100–150 χιλιοστά του δευτερολέπτου, σύμφωνα με ερευνητές του UCL.
Παρόλο που η διάρκεια είναι εξαιρετικά σύντομη, αυτό παρέχει αρκετό χρόνο στην AI για να αλλάξει συγκεκριμένες παραμέτρους λειτουργίας ώστε να αποτρέψει τη ρήξη μέσα στις γραμμές του μαγνητικού πεδίου του πλάσματος που θα διαταράξει την ισορροπία και ενδεχομένως να τερματίσει την αντίδραση.
Το μοντέλο AI εκπαιδεύτηκε με δεδομένα από προηγούμενες δοκιμές αντί να χρησιμοποιήσει πληροφορίες από μοντέλα βασισμένα στη φυσική. Με αυτόν τον τρόπο, “η AI θα μπορούσε να αναπτύξει μια τελική πολιτική ελέγχου που υποστηρίζει ένα σταθερό, υψηλής ισχύος πλάσμα σε πραγματικό χρόνο, σε έναν πραγματικό αντιδραστήρα,” δήλωσε ο επικεφαλής της μελέτης Egemen Kolemen, που είναι ερευνητής φυσικός στο PPPL και ταυτόχρονα αναπληρωτής καθηγητής μηχανολογίας και αεροδιαστημικής μηχανικής στο Andlinger Center for Energy and the Environment.
Σε αντίθεση με τις τρέχουσες προσεγγίσεις, αυτό επιτρέπει πιο δυναμικό έλεγχο μιας αντίδρασης σύντηξης και παρέχει περαιτέρω βάση για την αξιοποίηση της AI ώστε να βρεθεί λύση σε ένα ευρύ σύνολο αστάθειας του πλάσματος. Αυτό είναι κρίσιμο επειδή αποτελεί πρόκληση για την επίτευξη μιας συνεχούς αντίδρασης σύντηξης για μεγάλο χρονικό διάστημα.
Η αυξανόμενη χρήση της AI στην έρευνα σύντηξης
Δημοσιευμένη στο Nature, αυτή η μελέτη εστιάζει στην πρόβλεψη και αποφυγή των αστάθειων διαρρήξεων πριν εμφανιστούν στο πλάσμα. Αυτό την καθιστά διαφορετική από τις προηγούμενες προσεγγίσεις, οι οποίες, σύμφωνα με τον Jaemin Seo, συγγραφέα της μελέτης, που είναι βοηθός καθηγητής φυσικής στο Πανεπιστήμιο Chung-Ang της Νότιας Κορέας, συνήθως εργάστηκαν στην μετρίαση ή καταστολή των επιπτώσεων αυτών των αστάθειων μετά την εμφάνισή τους.
Η ομάδα του Princeton αντιμετώπισε τις αστάθειες τύπου tearing mode, ένα είδος διαταραχής όπου οι γραμμές του μαγνητικού πεδίου δεν μπορούν να συγκρατήσουν πλάσματα που υπερβαίνουν τις 100 εκατομμύρια βαθμούς Κελσίου, οδηγώντας σε διακοπή του πλάσματος. Αυτό είναι πιο θερμό από το κέντρο του Ήλιου. Σύμφωνα με τον Seo:
«Οι αστάθειες τύπου tearing mode, μία από τις κύριες αιτίες διακοπής του πλάσματος, θα γίνουν ακόμη πιο έντονες καθώς προσπαθούμε να λειτουργήσουμε αντιδράσεις σύντηξης με τις υψηλές ισχύς που απαιτούνται για την παραγωγή επαρκούς ενέργειας, παρουσιάζοντας μια σημαντική πρόκληση που πρέπει να λυθεί.»
Δεδομένου ότι αυτό το είδος αστάθειας μπορεί να σχηματιστεί και στη συνέχεια να εμποδίσει την αντίδραση σύντηξης μέσα σε χιλιοστά του δευτερολέπτου, οι ερευνητές έχουν στραφεί στην AI για την ικανότητά της να επεξεργάζεται γρήγορα και να ενεργεί ως απάντηση σε νέα δεδομένα.
Ωστόσο, αυτή δεν ήταν η πρώτη φορά που η AI αξιοποιήθηκε στην έρευνα σύντηξης. Στην πραγματικότητα, υπάρχει αυξανόμενο ενδιαφέρον για τη μηχανική μάθηση και την AI ώστε να αξιολογούν τεράστιες ποσότητες δεδομένων που παράγονται σε αυτά τα πειράματα.
Κατά την αξιολόγηση των δεδομένων εκπαίδευσης, η AI αναγνωρίζει μοτίβα και εξάγει αρχές από αυτά. Για παράδειγμα, το Wendelstein 7-X ασχολείται με την ζωντανή ανίχνευση της κατάστασης ισορροπίας του πλάσματος σε στελαριώτες, μια συσκευή πλάσματος που εξαρτάται από εξωτερικούς μαγνήτες για τη σύσφιξη του πλάσματος.
Όπως είπε ο Riccardo Betti, κύριος επιστήμονας στο LLE, και ο Robert L. McCrory, καθηγητής στο Τμήμα Φυσικής και Αστρονομίας και στο Τμήμα Μηχανολογικής Μηχανικής:
«Τώρα διαθέτουμε μια πληθώρα πειραματικών δεδομένων που μπορούμε να αξιοποιήσουμε με μηχανική μάθηση για να διορθώνουμε συστηματικά τις προσομοιώσεις και να καθοδηγούμε τις προσαρμογές σε πραγματικό χρόνο στα πειράματα.»
Εν τω μεταξύ, σε μια μελέτη το 2021, ο Diogo Ferreira, καθηγητής συστημάτων πληροφορίας στο Instituto Superior Técnico του Πανεπιστημίου Λισαβόνας στην Πορτογαλία, περιέγραψε τρεις διαφορετικές χρήσεις για μοντέλα AI, ML και DL στην έρευνα σύντηξης. Ένα από τα μοντέλα του προβλέπει διακοπές σε υπερθερμό πλάσμα, το δεύτερο εντοπίζει ανωμαλίες στο πλάσμα, και το τρίτο αφορά οπτικές αναπαραστάσεις των προτύπων ακτινοβολίας του πλάσματος.
Τώρα, αυτή η πρόσφατη μελέτη, η οποία υποστηρίζεται από το Γραφείο Επιστημών Ενέργειας Σύντηξης του DOE και το Εθνικό Ίδρυμα Έρευνας της Κορέας, εργάζεται για την πρόληψη της αστάθειας διαρρήξεων του πλάσματος σύντηξης με τη βοήθεια της μηχανικής μάθησης (ML), ειδικότερα της βαθιάς ενισχυτικής μάθησης (RL). Το DOE επίσης παρέχει χρηματοδότηση στο MIT Plasma Science and Fusion Center για τη βελτίωση της πρόσβασης στα δεδομένα σύντηξης.
Για να δημιουργήσουν έναν επιτυχημένο ελεγκτή τεχνητής νοημοσύνης, η ομάδα του Princeton πρέπει να χρησιμοποιήσει δεδομένα από δοκιμές που πραγματοποιήθηκαν στο παρελθόν στο τοκάμακ DIII-D. Στη συνέχεια δημιουργήθηκε ένα βαθύ νευρωνικό δίκτυο με την ικανότητα να προβλέπει την πιθανότητα επερχόμενης αστάθειας διαρρήξεων ανάλογα με τα χαρακτηριστικά του πλάσματος σε πραγματικό χρόνο.
Αυτό, σύμφωνα με τον Azarakhsh Jalalvand, συν-συγγραφέα της μελέτης και ερευνητικό υποψήφιο στην ομάδα του Kolemen, ήταν σαν να διδάσκεις κάποιον πώς να πετάξει ένα αεροπλάνο· δεν θα του έδινες «ένα σύνολο κλειδιών και θα του έλεγες να προσπαθήσει όσο καλύτερα μπορεί», αλλά «θα τον έπαιζες σε έναν πολύ περίπλοκο προσομοιωτή πτήσης μέχρι να μάθει αρκετά για να δοκιμάσει το πραγματικό πράγμα».
Η ομάδα στη συνέχεια εκπαίδευσε έναν αλγόριθμο ενισχυτικής μάθησης (RL) στο νευρωνικό τους δίκτυο, ο οποίος μπορεί να δοκιμάσει διαφορετικές στρατηγικές ελέγχου του πλάσματος. Ο αλγόριθμος μαθαίνει μέσω δοκιμής και σφάλματος μέσα στην ασφάλεια ενός προσομοιωμένου περιβάλλοντος.
Αντί να του διδάξουν όλη τη σύνθετη φυσική μιας αντίδρασης σύντηξης, η ομάδα έδωσε στο μοντέλο ενισχυτικής μάθησης μόνο τον στόχο τους, που ήταν να διατηρήσουν μια αντίδραση υψηλής ισχύος μαζί με το τι πρέπει να αποφύγουν, δηλαδή μια αστάθεια τύπου tearing mode και τις ρυθμίσεις που μπορεί να χρησιμοποιήσει για να πετύχει αυτά τα αποτελέσματα. Στη συνέχεια, με την πάροδο του χρόνου, το μοντέλο μαθαίνει τη βέλτιστη διαδρομή για να επιτύχει υψηλά επίπεδα ισχύος αποφεύγοντας την τιμωρία της αστάθειας.
Καθώς το μοντέλο διέσχιζε αμέτρητα προσομοιωμένα πειράματα σύντηξης, η ομάδα παρατήρησε και βελτίωσε τις ενέργειές του λόγω κάποιων αλλαγών που ήταν πολύ γρήγορες.
«Ως άνθρωποι, διαπραγματευόμαστε μεταξύ του τι θέλει να κάνει η AI και του τι μπορεί να υποστηρίξει το τοκάμακ.»
– SangKyeun Kim, συν-συγγραφέας της μελέτης & ερευνητής προσωπικού στο PPPL
Η ομάδα δοκίμασε τον ελεγκτή AI μόνο κατά τη διάρκεια ενός πραγματικού πειράματος σύντηξης αφού ήταν σίγουρη για τις ικανότητές του. Ο ελεγκτής AI έκανε τότε αλλαγές σε πραγματικό χρόνο σε ορισμένες παραμέτρους του τοκάμακ D-III D, συμπεριλαμβανομένης της αλλαγής του σχήματος του πλάσματος και της ισχύος των δέσμης που παρέχουν ενέργεια στην αντίδραση, ώστε να αποτραπεί η έναρξη της αστάθειας.
Μία καθολική λύση
Αυτή η πρόσφατη έρευνα, των οποίων τα ευρήματα δημοσιεύθηκαν την περασμένη εβδομάδα στο Nature, παρουσιάζει μια ενεργή προσέγγιση σε αντίθεση με τις «πιο παθητικές» τρέχουσες προσεγγίσεις πρόβλεψης αστάθειας εκ των προτέρων, που μπορεί να διευκολύνει τη λειτουργία αυτών των αντιδράσεων. Ο Kim είπε:
«Δεν χρειάζεται πλέον να περιμένουμε να εμφανιστούν οι αστάθειες και στη συνέχεια να λάβουμε γρήγορα διορθωτικά μέτρα πριν το πλάσμα διακοπεί.»
Αυτή η μελέτη είναι σίγουρα μια πολλά υποσχόμενη απόδειξη της έννοιας που δείχνει πόσο αποτελεσματικά η AI μπορεί να ελέγξει τις αντιδράσεις σύντηξης. Ωστόσο, οι ερευνητές σημείωσαν ότι η ομάδα του Kolemen εργάζεται ήδη σε αρκετά επόμενα βήματα για την προώθηση του πεδίου της έρευνας σύντηξης.
Έτσι, ενώ υπάρχει «ισχυρή απόδειξη» ότι ο ελεγκτής AI λειτουργεί «αρκετά καλά» στο τοκάμακ DIII-D, η εστίαση τώρα είναι να αποκτηθεί περισσότερη απόδειξη του ελεγκτή σε δράση, να υπάρξουν περισσότερα δεδομένα που να δείχνουν ότι λειτουργεί και σε διαφορετικές καταστάσεις, και στη συνέχεια να επεκταθεί για λειτουργία σε άλλα τοκάμακ.
Αλλά δεν είναι όλα. Το τρέχον μοντέλο AI χρησιμοποιεί μόνο περιορισμένο αριθμό διαγνωστικών που του επιτρέπουν να αποφεύγει μόνο έναν συγκεκριμένο τύπο αστάθειας. Συνεπώς, οι ερευνητές θέλουν να παρέχουν δεδομένα για άλλους τύπους αστάθειας καθώς και πρόσβαση σε περισσότερες ρυθμίσεις για τον ελεγκτή AI ώστε να κάνει προσαρμογές. Έτσι, η ομάδα στοχεύει να επεκτείνει τον αλγόριθμο της ώστε να διαχειρίζεται πολλούς τύπους αστάθειας ελέγχοντας ταυτόχρονα πολλές διαφορετικές ρυθμίσεις.
Σε αυτόν τον δρόμο για τη δημιουργία πιο αποδοτικών ελεγκτών AI, η ομάδα ελπίζει ότι η AI θα αποκτήσει βελτιωμένη σαφήνεια και κατανόηση των αντιδράσεων σύντηξης και της φυσικής, και θα μας διδάξει περισσότερα για όλα αυτά.
Κάντε κλικ εδώ για να μάθετε γιατί το 2023 ήταν το έτος άλματος για την AI.
Εταιρείες που εργάζονται στον τομέα AI & Σύντηξη
Τώρα, ας ρίξουμε μια ματιά σε μερικά εξέχοντα ονόματα στον τομέα:
#1. Google
Ο τεχνολογικός γίγαντας έχει τα χέρια του σε κάθε τομέα, και αυτό περιλαμβάνει την έρευνα AI και την ενέργεια σύντηξης. Πριν λίγα χρόνια, η DeepMind, με την υποστήριξη της Google, ανακοίνωσε ότι είχε εκπαιδεύσει ένα σύστημα AI για τον έλεγχο του πλάσματος μέσα σε έναν πυρηνικό αντιδραστήρα σύντηξης. Το AI Lab δημιούργησε ένα σύστημα RL AI για τον έλεγχο των μαγνητών και την αλλαγή της τάσης χιλιάδες φορές κάθε δευτερόλεπτο.
(GOOGL )
Η εταιρεία με κεφαλαιοποίηση $1,75 τρισεκατομμυρίων δολαρίων έχει τις μετοχές της να διαπραγματεύονται στα $140,38, με άνοδο 3% ετησίως. Η Google ανακοίνωσε έσοδα (TTM) 307,39 δισεκατομμύρια και έχει κέρδη ανά μετοχή (EPS) (TTM) 5,80, P/E (TTM) 24,17, και ROE (TTM) 27,36%.
#2. TAE Technologies
Προηγουμένως γνωστή ως Tri Alpha Energy, η εταιρεία με έδρα την Καλιφόρνια εστιάζει στην ανάπτυξη τεχνολογίας ενέργειας σύντηξης. Η TAE Technologies αναβαθμίζει αυτή τη στιγμή την πλατφόρμα σύντηξης της, Norman, σε μια μηχανή έκτης γενιάς που ονομάζεται Copernicus. Εάν όλα εξελιχθούν ομαλά, η εταιρεία αναμένει να κατασκευάσει το πρώτο πρωτότυπο εργοστάσιο παραγωγής ενέργειας που θα μπορεί να συνδεθεί στο δίκτυο στις αρχές της δεκαετίας του 2030, με την κλιμάκωση να αναπτύσσει «ανθεκτική και αξιόπιστη» εμπορική ενέργεια καθ’ όλη τη δεκαετία. Η σύντηξη, σύμφωνα με τον Διευθύνοντα Σύμβουλό του, Michl Binderbauer, θα μας οδηγήσει σε ένα «παράδειγμα αφθονίας».
Το 2022, η Google και η Chevron επένδυσαν στην TAE Technologies ως μέρος της συγκέντρωσης κεφαλαίων $250 εκατομμυρίων της εταιρείας. Η Google συνεργάζεται με την TAE εδώ και μια δεκαετία και παρέχει στην εταιρεία AI και υπολογιστική ισχύ.
#3. ITER
Ο Διεθνής Πειραματικός Θερμοπυρηνικός Αντιδραστήρας (ITER) είναι ένα διεθνές ερευνητικό και μηχανικό μεγαπρόγραμμα πυρηνικής σύντηξης που προχωρά στην έρευνα και ανάπτυξη της σύντηξης με ML και AI.
«Τα μεγάλα επιστημονικά προγράμματα όπως το ITER προσφέρουν μια πληθώρα δεδομένων που είναι ιδανική για AI. Μας παρέχουν μια μοναδική ευκαιρία να μάθουμε, να εκπαιδεύσουμε, να εξάγουμε και να εφαρμόσουμε αυτές τις δεξιότητες σε άλλους τομείς της βιομηχανίας.»
– María Ortiz de Zúñiga, Ανώτερη Τεχνική Υπεύθυνη στο Fusion for Energy
Συμπέρασμα
Όπως συζητήσαμε σε όλο αυτό το κείμενο, AI έχει τη δυνατότητα να μετασχηματίσει διάφορες πτυχές του ταξιδιού της σύντηξης. Ωστόσο, οι πρόσφατες τεχνολογικές προόδους έχουν δημιουργήσει ελπίδες για την υπέρβαση των μακροχρόνιων προκλήσεων που αντιμετωπίζει αυτή η βιομηχανία. Εκμεταλλευόμενοι την υπολογιστική ισχύ και τις δυνατότητες αναγνώρισης προτύπων της τεχνητής νοημοσύνης, μπορούμε να επιταχύνουμε την ανάπτυξη της ενέργειας σύντηξης και τελικά να κάνουμε μια βιώσιμη ενεργειακή μέλλον πραγματικότητα.
