Η AI Αναλαμβάνει Έλεγχο των Συστημάτων Σύντηξης σε Χιλιοστά του Δευτερολέπτου

Οι ερευνητές πυρηνικής σύντηξης προσπαθούν να ελέγξουν την ύλη σε θερμοκρασίες υψηλότερες από το κέντρο του Ήλιου. Αυτή η πρόκληση αφήνει σχεδόν καθόλου χώρο για καθυστερημένες αποφάσεις. Μια αστάθεια του πλάσματος μπορεί να αναπτυχθεί σε χιλιοστά του δευτερολέπτου, ενώ μια λεπτομερής προσομοίωση φυσικής μπορεί να απαιτήσει ημέρες ή μήνες για να ολοκληρωθεί. Οι ανθρώπινοι χειριστές μπορούν να θέσουν τους στόχους, αλλά δεν μπορούν να αντιδράσουν χειροκίνητα γρήγορα αρκετά σε κάθε αλλαγή μέσα σε ένα πείραμα σύντηξης.

Μια νέα μελέτη¹ από ερευνητές του Princeton University και του Princeton Plasma Physics Laboratory περιγράφει μια πρακτική απάντηση σε αυτό το πρόβλημα ελέγχου. Η ομάδα ανέπτυξε το PACMAN, συντομογραφία του Prediction And Control using MAchiNe learning, και το υλοποίησε στο τοκάμακ DIII-D στην Καλιφόρνια. Αντί να εκτελεί μια στενή εργασία AI, το PACMAN παρέχει ένα κοινό πλαίσιο μέσω του οποίου διαφορετικά μοντέλα μπορούν να διαβάζουν διαγνωστικά δεδομένα, να κάνουν προβλέψεις, να συντονίζουν ελεγκτές και να στέλνουν εντολές σε φυσικό εξοπλισμό.

Η έρευνα σύντηξης διαθέτει ήδη ισχυρά μοντέλα μηχανικής μάθησης. Το πιο δύσκολο πρόβλημα είναι η μετατροπή τους σε αξιόπιστα στοιχεία πραγματικού χρόνου χωρίς την ανακατασκευή της αλυσίδας ελέγχου για κάθε πείραμα. Το PACMAN αντιμετωπίζει αυτό το ελλιπές επίπεδο.

Γιατί η Σύντηξη Απαιτεί Έλεγχο AI σε Πραγματικό Χρόνο

Ένα τοκάμακ περιορίζει το ηλεκτρικά φορτισμένο πλάσμα χρησιμοποιώντας μαγνητικά πεδία. Η διατήρηση χρήσιμων συνθηκών απαιτεί συνεχείς ρυθμίσεις στα συστήματα θέρμανσης, τις μαγνητικές πηνίδες, την έγχυση αερίου και άλλον εξοπλισμό. Μικρές διαταραχές μπορούν να εξελιχθούν σε αστάθειες που μειώνουν την απόδοση ή τερματίζουν εντελώς την εκφόρτιση του πλάσματος.

Οι παραδοσιακοί ελεγκτές παραμένουν αποτελεσματικοί όταν οι μηχανικοί μπορούν να περιγράψουν εκ των προτέρων την επιθυμητή απόκριση. Ωστόσο, οι προχωρημένες πλάσματικές συνθήκες περιλαμβάνουν μη γραμμικές αλληλεπιδράσεις, ελλιπείς μετρήσεις και συνθήκες που αλλάζουν πολύ γρήγορα για εξαντλητικούς υπολογισμούς. Η μηχανική μάθηση μπορεί να προσεγγίσει αυτή τη συμπεριφορά και να παρέχει μια απάντηση εντός του διαθέσιμου χρόνου.

Η ευρύτερη σημασία αυτής της προσέγγισης είναι ήδη εμφανής. Προηγούμενη έρευνα έδειξε ότι η AI μπορεί να προβλέψει και να αποτρέψει αστάθειες σύντηξης πριν ανταποκριθούν τα συμβατικά συστήματα. Το PACMAN επεκτείνει την έννοια από μια μεμονωμένη επίδειξη πρόβλεψης και ελέγχου σε μια αρχιτεκτονική ικανή να υποστηρίξει πολλά μοντέλα, ελεγκτές και στόχους.

Σύμφωνα με την συνοδευτική ανακοίνωση του PPPL, το πλήρες πλαίσιο τρέχει συνήθως σε περίπου 20 χιλιοστά του δευτερολέπτου. Σε ένα πείραμα, ένα μοντέλο μηχανικής μάθησης πρόβλεψε μια αστάθεια τύπου tearing-mode περίπου 200 χιλιοστά του δευτερολέπτου νωρίτερα. Αυτό το διάστημα μπορεί να φαίνεται σύντομο, αλλά δίνει στον αυτοματοποιημένο ελεγκτή αρκετό χρόνο για να ανακατευθύνει τη θέρμανση και να αλλάξει τις συνθήκες του πλάσματος πριν η αστάθεια εδραιωθεί.

Πώς Λειτουργεί το Πλαίσιο Συγχώνευσης PACMAN

Το PACMAN οργανώνει τον έλεγχο σε πραγματικό χρόνο σε τέσσερα διαδοχικά τμήματα. Το τμήμα εισόδου συγκεντρώνει διαγνωστικές μετρήσεις και ελέγχει την εγκυρότητά τους. Το τμήμα μοντέλου επιτρέπει σε μοντέλα μηχανικής μάθησης, συμβατικά ή βασισμένα στη φυσική, να ερμηνεύσουν αυτές τις εισόδους. Το τμήμα ελεγκτή μετατρέπει τις προβλέψεις σε επιθυμητές ενέργειες. Τέλος, το τμήμα εξόδου επιλύει ανταγωνιστικά αιτήματα, εφαρμόζει περιορισμούς υλικού και μεταβιβάζει εγκεκριμένες εντολές στο τοκάμακ.

Το σύστημα μπορεί έτσι να διαχωρίσει την νοημοσύνη από την εξουσία. Ένα μοντέλο AI μπορεί να προτείνει μια ενέργεια, αλλά η έξοδός του δεν παρακάμπτει την περιβάλλουσα αρχιτεκτονική ελέγχου. Οι εντολές εξακολουθούν να ελέγχονται ενάντια στα όρια των ενεργοποιητών, και οι ερευνητές ορίζουν τους στόχους και τη διαμόρφωση για κάθε πείραμα.

Το πλαίσιο περιλαμβάνει αρκετά πρακτικά μέτρα ασφαλείας:

• Η επικύρωση εισόδου εντοπίζει ελλιπή ή μη έγκυρα διαγνωστικά δεδομένα.
• Το φιλτράρισμα χαμηλής διέλευσης μπορεί να αποτρέψει αντιδράσεις σε μεμονωμένες κακές μετρήσεις.
• Η διαχείριση συγκρούσεων διαμεσολαβεί μεταξύ ανταγωνιστικών αιτημάτων ενεργοποιητών.
• Τα όρια εξόδου αποτρέπουν τις εντολές από το να υπερβαίνουν τους περιορισμούς του υλικού.

Αυτός ο σχεδιασμός προσφέρει ένα χρήσιμο μάθημα για AI κρίσιμης ασφάλειας: η αξιοπιστία δεν χρειάζεται να εξαρτάται από ένα αλάνθαστο μοντέλο. Το περιβάλλον σύστημα μπορεί να υποθέσει ότι τα μοντέλα θα αντιμετωπίσουν κακά δεδομένα ή θα παράγουν ακατάλληλες εξόδους, και στη συνέχεια να περιορίσει την επιρροή τους πάνω στον φυσικό εξοπλισμό.

Πέντε Πειράματα Δείχνουν την Ευελιξία του Πλαισίου

Οι ερευνητές χρησιμοποίησαν το PACMAN σε πέντε πειραματικές εφαρμογές στο DIII-D. Αυτές δεν ήταν πέντε παραλλαγές του ίδιου νευρωνικού δικτύου. Περιελάμβαναν ενισχυτική μάθηση, μοντέλα επιβίωσης, υπολογισμό ρεζερβουάρ και έλεγχο πρόβλεψης μοντέλου, σε συνδυασμό με διαφορετικά διαγνωστικά και ενεργοποιητές.

Ο ελεγκτής ενισχυτικής μάθησης διαχειρίστηκε τις εισροές θέρμανσης για να στοχεύσει στην πίεση του πλάσματος και στα εσωτερικά εμπόδια μεταφοράς. Ο ελεγκτής tearing-mode ανακατεύθυνε τη θέρμανση κυκλικού ηλεκτρονίου πριν εμφανιστεί μια αστάθεια. Ένα άλλο μοντέλο πρόβλεψε ξαφνικά γεγονότα τοπικά στην άκρη χωρίς να ελέγχει άμεσα έναν ενεργοποιητή, δείχνοντας ότι το PACMAN μπορεί επίσης να παρέχει έναν εξωτερικό ελεγκτή.

Η εφαρμογή Alfvén eigenmode ταξινόμησε κύματα που σχετίζονται με ενεργειακά σωματίδια και προσαρμόζει την ισχύ του ουδέτερου δέσμης ως αντίδραση. Το πιο απαιτητικό υπολογιστικά παράδειγμα συμπίεσε τα προφίλ του πλάσματος σε μια πιο απλή λανθάνουσα αναπαράσταση και χρησιμοποίησε έλεγχο πρόβλεψης μοντέλου για να ρυθμίσει την πυκνότητα και την περιστροφή προς στόχους που ορίζονται από τους ερευνητές.

Συνολικά, αυτά τα πειράματα δείχνουν γιατί ένα κοινό πλαίσιο είναι πολύτιμο. Κάθε στόχος απαιτεί διαφορετικά δεδομένα, χρονισμό και υλικό, αλλά καμία ομάδα δεν πρέπει να χρειάζεται να ξαναδημιουργήσει τη διαχείριση διαγνωστικών, τους ελέγχους ασφαλείας και την ενσωμάτωση των ενεργοποιητών.

Η Πραγματική Επανάσταση Είναι η Ταχύτερη Ανάπτυξη Σύντηξης

Το PACMAN δεν λύνει τα επιστημονικά και οικονομικά εμπόδια που αντιμετωπίζει η ενέργεια σύντηξης. Το DIII-D είναι ερευνητική εγκατάσταση, όχι εμπορικός γεννήτριας, και τα πειράματα δεν έδειξαν καθαρή παραγωγή ηλεκτρικής ενέργειας. Το πλαίσιο επίσης δεν μπορεί να ελέγξει φαινόμενα που εξελίσσονται πιο γρήγορα από το χιλιοσκοπικό παράθυρό του. Η τρέχουσα υλοποίησή του εκτελεί τα μοντέλα σειριακά, αν και η αρχιτεκτονική μπορεί να υποστηρίξει μελλοντική παράλληλη εκτέλεση.

Η άμεση αξία του βρίσκεται στην ταχύτητα ανάπτυξης. Το PPPL αναφέρει ότι η δημιουργία του πλαισίου και η εγκατάσταση του πρώτου μοντέλου πήρε μήνες, ενώ η προσθήκη του δεύτερου μοντέλου απαιτούσε μόνο ημέρες. Μόλις η κοινή υποδομή αντιμετωπίσει επαναλαμβανόμενα προβλήματα ενσωμάτωσης, οι ερευνητές μπορούν να αφιερώσουν περισσότερο χρόνο στη βελτίωση των μοντέλων πλάσματος και λιγότερο χρόνο στην ανακατασκευή των συνδέσεων γύρω από αυτά.

Αυτό θα μπορούσε να δημιουργήσει ένα συνθετικό αποτέλεσμα. Η ταχύτερη υλοποίηση παράγει περισσότερα πειραματικά δεδομένα, καλύτερα μοντέλα και όλο πιο φιλόδοξες λειτουργικές συνθήκες. Το αποτέλεσμα είναι ένας πιο στενός βρόχος μάθησης μεταξύ προσομοίωσης, μηχανικής μάθησης και φυσικών πειραμάτων.

Αυτός ο βρόχος βοηθά στην εξήγηση της αυξανόμενης σχέσης μεταξύ AI και ενέργειας σύντηξης. Η AI μπορεί να αυξήσει τη ζήτηση ηλεκτρικής ενέργειας μέσω των κέντρων δεδομένων, αλλά γίνεται επίσης ένα εργαλείο μηχανικής για την ανάπτυξη νέων ενεργειακών συστημάτων. Στη σύντηξη, η αξία της δεν περιορίζεται στην ανακάλυψη υλικών ή στην ανάλυση αποτελεσμάτων μετά από ένα πείραμα. Μπορεί να συμμετέχει άμεσα στον έλεγχο της μηχανής.

Από το Πειραματικό Λογισμικό στην Υποδομή Αντιδραστήρα

Το επόμενο βήμα θα είναι ο καθορισμός του αν οι αρχές σχεδίασης του PACMAN μεταφέρονται σε άλλες μηχανές. Τα τοκάμακ διαφέρουν στη γεωμετρία, τα διαγνωστικά, τους ενεργοποιητές και τα συστήματα ελέγχου. Μια επαναχρησιμοποιήσιμη εννοιολογική αρχιτεκτονική δεν κάνει αυτόματα το λογισμικό φορητό σε κάθε εγκατάσταση.

Παρόλα αυτά, το πλαίσιο εντοπίζει στοιχεία που πιθανόν να είναι σημαντικά σε μελλοντικούς αντιδραστήρες: τυποποιημένες εισόδους, εναλλάξιμα μοντέλα, σαφή όρια ελεγκτών, διαμεσολάβηση ενεργοποιητών και επιβολή ασφαλείας εκτός του μοντέλου AI. Τα εμπορικά συστήματα θα απαιτήσουν επίσης εφεδρεία, κυβερνοασφάλεια και προβλέψιμες αντιδράσεις όταν αποτυγχάνει ο εξοπλισμός.

Οι ερευνητές σχεδιάζουν να εισαγάγουν πολυνηματική εκτέλεση και να εξερευνήσουν GPU ή προγραμματιζόμενα πύλες (FPGA) για ταχύτερη εκτίμηση. Το κρίσιμο μέτρο δεν θα είναι μόνο η ακατέργαστη ταχύτητα του μοντέλου. Η καθυστέρηση από άκρη σε άκρη, που περιλαμβάνει τη λήψη δεδομένων, την επικύρωση, τις αποφάσεις και την ενεργοποίηση, καθορίζει αν ένας ελεγκτής μπορεί να παρέμβει εγκαίρως.

Επένδυση σε Σύντηξη με AI μέσω της Alphabet

Για επενδυτές που αναζητούν έκθεση στην κοινή αγορά στη σύζευξη AI και έρευνας σύντηξης, η Alphabet Inc (GOOG ) προσφέρει μια σχετική, αν και έμμεση, επιλογή. Η Google έχει συνεργαστεί με τον ιδιωτικό προγραμματιστή σύντηξης TAE Technologies για πάνω από μια δεκαετία, εφαρμόζοντας μηχανική μάθηση στην ανακατασκευή πλάσματος, τη βελτιστοποίηση και το σχεδιασμό αντιδραστήρων. Η Google επίσης συμμετείχε στη χρηματοδοτική γύρο του TAE το 2025.

Η συμβολή της Google εκτείνεται πέρα από το κεφάλαιο. Οι ερευνητές της έχουν συνεργαστεί με μηχανικούς σύντηξης για να ερμηνεύσουν τη συμπεριφορά του πλάσματος και να μειώσουν την πολυπλοκότητα της μηχανής. Το 2025, η Google δήλωσε ότι η κοινή εργασία στην ανακατασκευή πλάσματος βοήθησε την TAE να απλοποιήσει και να ξαναχτίσει τη μηχανή σύντηξης της. Η Alphabet έχει επίσης συμφωνήσει να αγοράσει ενέργεια από την Commonwealth Fusion Systems εάν η προγραμματισμένη εγκατάστασή της φτάσει στην εμπορική λειτουργία.

Αυτό δεν κάνει την Alphabet έναν καθαρό παίκτη στη σύντηξη. Η σύντηξη αυτή τη στιγμή αποτελεί ένα μικρό και εικονικό τμήμα μιας εταιρείας που κυριαρχείται από διαφήμιση, υπολογιστικό νέφος και ψηφιακές υπηρεσίες. Η TAE χρησιμοποιεί επίσης μια διαμόρφωση αντιστροφής πεδίου αντί για την αρχιτεκτονική τοκάμακ που χρησιμοποιείται στο DIII-D. Παρόλα αυτά, η συνεργασία AI της Google με την TAE Technologies δείχνει ότι συμβάλλει τεχνικές δυνατότητες στον τομέα, αντί να περιμένει να γίνει μελλοντικός πελάτης ηλεκτρικής ενέργειας.

Η AI Καθίσταται Μέρος της Μηχανής Σύντηξης

Το PACMAN προωθεί τη συζήτηση πέρα από το αν ένα μοντέλο AI μπορεί να προβλέψει μια αστάθεια. Η πιο σημαντική ερώτηση είναι αν πολλά συστήματα πρόβλεψης και ελέγχου μπορούν να λειτουργούν μαζί, να αλληλεπιδρούν με το υλικό και να παραμένουν περιορισμένα από εφαρμόσιμους κανόνες ασφαλείας.

Τα πειράματα DIII-D υποδεικνύουν ότι αυτό το πρόβλημα ενσωμάτωσης είναι επιλύσιμο. Το PACMAN φιλοξένησε πέντε διαφορετικές εφαρμογές, πήρε αποφάσεις σε χιλιοσκοπικές κλίμακες χρόνου και παρείχε ένα μονοπάτι για την προσθήκη νέων μοντέλων χωρίς επανασχεδιασμό ολόκληρου του συστήματος ελέγχου. Παραμένει πειραματική υποδομή, αλλά η υποδομή είναι ακριβώς αυτό που μετατρέπει τις απομονωμένες επαναστατικές εξελίξεις σε επαναλαμβανόμενη πρόοδο.

Η εμπορική σύντηξη εξακολουθεί να απαιτεί προόδους στην απόδοση του πλάσματος, τα υλικά, τους κύκλους καυσίμου, τη συντήρηση και την οικονομία των εγκαταστάσεων. Ο έλεγχος AI σε πραγματικό χρόνο δεν θα αντικαταστήσει αυτές τις επιτυχίες. Ωστόσο, μπορεί να γίνει το επίπεδο που θα τους επιτρέψει να συνεργαστούν μέσα σε έναν αντιδραστήρα.

Αναφορές:

^{1 Rothstein, A., Farre-Kaga, H. J., Butt, J., Shousha, R., Erickson, K., Wakatsuki, T., Steiner, P., Kim, S. K., Jalalvand, A., & Kolemen, E. (2026). Δυνατότητα ενσωματωμένου ελέγχου AI στο DIII-D: Σχεδίαση συστήματος ελέγχου με πειράματα αιχμής. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}