Tekoäly voi ennustaa ja estää fuusioreaktion epävakaudet

Jo lähes vuosisata sitten, kun ydinfuusion käsite ymmärrettiin, insinööreistä tutkijoihin kaikki ovat etsineet tapoja luoda ja hyödyntää sitä. Loppujen lopuksi, kun saavutamme ydinfuusion teollisessa mittakaavassa, se voisi tarjota edullista, turvallista, saastutonta ja lähes rajatonta energiaa kasvavan kysynnän täyttämiseksi.

Mitä ydinfuusio on? Se on prosessi, jossa kaksi tai useampi kevyt atomiydin yhdistyy muodostaen yhden, erilaisen ja raskaamman atomiytimen, vapauttaen valtavia määriä energiaa. Mielenkiintoista on, että fuusioreaktiot antavat voiman auringolle ja tähdille, tehden elämän Maassa mahdolliseksi.

Kuitenkin kahden atomin fuusio on melko vaikeaa, koska se vaatii valtavan määrän painetta ja energiaa, jotta ne voivat voittaa keskinäisen hylkimisensä. Aurinko tekee sen massiivisen gravitaatiovoimansa ja erittäin korkean paineen avulla ytimessään.

Nyt tutkijat pyrkivät rakentamaan omia fuusioreaktoreitaan. Nämä fuusioreaktiot tapahtuvat plasmassa, aineen tilassa. Plasma, kuuma, varautunut kaasu, joka koostuu vapautuneista negatiivisista elektroneista ja positiivisista ioneista, mahdollistaa sähkövirran kulkemisen sen läpi.

Tämän prosessin jäljittelemiseksi tiedemiehet käyttävät äärimmäisen kuumaa plasmaa ja erittäin vahvoja magneetteja. Kuitenkin ylikuumentunut, erittäin monimutkainen ja kaoottinen plasma voi menettää vakauden nopeasti ja paeta vahvoista magneettikentistä, jotka pitävät sen donitsin muotoisessa fuusioreaktorissa, mikä yleensä merkitsee reaktion päättymistä. Nämä donitsin muotoiset laitteet tunnetaan nimellä tokamakit.

Tämä asettaa tietysti kriittisen haasteen fuusion kehittämiselle puhtaana ja rajattomana energialähteenä. Kuitenkin Princetonin yliopiston ja Yhdysvaltain energiaministeriön Princeton Plasma Physics Laboratoryin (PPPL) data-asiantuntijoiden, insinöörien ja fyysikkojen tiimi hyödyntää tekoälyä (AI) ennustaakseen tietyn plasmaongelman muodostumisen reaaliajassa, jotta se voidaan välttää.

San Diegon DIII-D National Fusion Facility -laitoksessa, joka on Yhdysvaltain energiaministeriön (DOE) Office of Science:n toimittama General Atomicsin operoima, tutkijat suorittivat kokeensa ja osoittivat AI-mallinsa, jonka on todettu pystyvän ennustamaan mahdollisia plasmaepävakauksia. Näitä, ns. repeilytilan epävakauksia, AI voi ennustaa hyvinkin etukäteen, jopa 300 millisekuntia etukäteen. Vertailun vuoksi, silmämme räpäyttävät keskimäärin 100–150 millisekunnin välein, UCL:n tutkijoiden mukaan.

Vaikka kyseessä on äärimmäisen lyhyt kesto, se tarjoaa runsaasti aikaa AI-ohjaimelle muuttaa tiettyjä käyttöparametreja estääkseen plasmassa tapahtuvan repeilyn magneettikenttälinjoissa, mikä häiritsisi tasapainoa ja mahdollisesti lopettaisi reaktion.

AI-malli koulutettiin aiempien kokeiden dataan sen sijaan, että hyödynnettäisiin fysiikkapohjaisten mallien tietoja. Näin “AI pystyi kehittämään lopullisen ohjauskäytännön, joka tukee vakaata, korkeaenergista plasmaregiimiä reaaliajassa, oikeassa reaktorissa”, sanoi tutkimuksen johtaja Egemen Kolemen, joka on PPPL:n henkilökunnan tutkimusfysiikko sekä Andlinger Center for Energy and the Environmentin kone- ja avaruustekniikan apulaisprofessori.

Toisin kuin nykyiset lähestymistavat, tämä mahdollistaa dynaamisemman fuusioreaktion ohjauksen ja tarjoaa lisäksi perustan AI:n hyödyntämiselle laajan joukon plasmaepävakauksien ratkaisemiseksi. Tämä on kriittistä, koska se on pitkään ollut haasteena jatkuvan fuusioreaktion saavuttamisessa.

Klikkaa tästä oppiaksesi kaiken tekoälyyn (AI) sijoittamisesta.

Tekoälyn kasvava käyttö fuusiotutkimuksessa

Julkaistu Nature-lehdessä, tämä tutkimus keskittyy ennustamaan ja välttämään repeilyepävakauksia ennen kuin ne edes ilmestyvät plasmaan. Tämä erottaa sen aiemmista lähestymistavoista, jotka, Jaemin Seo:n, tutkimuksen tekijän, Etelä-Korean Chung-Ang -yliopiston fysiikan apulaisprofessorin mukaan, ovat normaalisti pyrkineet lieventämään tai hillitsemään näiden epävakauksien vaikutuksia niiden tapahtumisen jälkeen.

Princetonin tiimi käsitteli repeilytilan epävakauksia, eräänlaista häiriötä, jossa magneettikenttälinjat eivät pysty pitämään yli 100 miljoonaa celsiusastetta ylittäviä plasmoja, mikä johtaa plasmahäiriöön. Tämä on kuumempaa kuin Auringon ydin. Seo:n mukaan:

“Repeilytilan epävakaudet, yksi plasmahäiriöiden pääsyistä, tulevat vain entistä merkittävämmiksi, kun yritämme suorittaa fuusioreaktioita tarvittavilla korkeilla tehoilla riittävän energian tuottamiseksi, mikä esittää suuren haasteen, joka on ratkaistava.”

Kun otetaan huomioon, että tämäntyyppinen epävakaus voi muodostua ja sitten estää fuusioreaktion millisekunneissa, tutkijat ovat kääntyneet AI:n puoleen sen kyvyn vuoksi nopeasti käsitellä ja reagoida uusiin tietoihin.

Tämä ei kuitenkaan ollut ensimmäinen kerta, kun AI:ta hyödynnettiin fuusiotutkimuksessa. Itse asiassa koneoppimisen ja AI:n kiinnostus on kasvanut merkittävästi näissä kokeissa tuotettavan valtavan datamäärän arvioimiseksi.

Koulutusdatan arvioinnissa AI tunnistaa sitten malleja ja johdattaa niistä periaatteita. Esimerkiksi Wendelstein 7-X käsittelee plasmatasapainon tilan reaaliaikaista havaitsemista stellarattoreissa, plasma-laitteessa, joka riippuu ulkoisista magneeteista plasmassa pitämiseksi.

Kuten Riccardo Betti, LLE:n päätutkija, ja Robert L. McCrory, fysiikan ja astronomian sekä koneenrakennuksen professorit, sanoivat:

“Meillä on nyt runsaasti kokeellista dataa, jota voimme hyödyntää koneoppimisen avulla systemaattisesti korjaamaan simulaatioita ja ohjaamaan reaaliaikaisia säätöjä kokeissa.”

Sillä välin vuonna 2021 tehtyssä tutkimuksessa Diogo Ferreira, Portugalin Lissabonin yliopiston Instituto Superior Técnico:n informaatiotekniikan professori, esitteli kolme erilaista tapaa käyttää AI-, ML- ja DL-malleja fuusiotutkimuksessa. Yksi hänen malleistaan ennustaa häiriöitä superkuumassa plasmassa, toinen havaitsee poikkeavuuksia plasmassa, ja kolmas käsittelee plasma‑säteilymallien visuaalisia esityksiä.

Nyt tämä viimeisin tutkimus, jota tukevat DOE:n Office of Fusion Energy Sciences ja Korean kansallinen tutkimusrahasto, pyrkii estämään fuusioplasman repeilyepävakautta koneoppimisen (ML) alalajin syvävahvistusoppimisen (RL) avulla. DOE on myös myöntänyt rahoitustukea MIT Plasma Science and Fusion Centerille fuusiodatan saatavuuden parantamiseksi.

Rakentaakseen menestyvän tekoälyohjaimen Princetonin tiimin on käytettävä menneinä aikoina DIII-D-tokamakissa suoritettujen testien dataa. Sen jälkeen luotiin syvä neuroverkko, jolla on kyky ennustaa tulevan repeilyepävakavuuden mahdollisuus plasmaominaisuuksien perusteella reaaliajassa.

Tämä, tutkimuksen yhteiskirjoittajan ja Kolemenin ryhmän tutkija Azarakhsh Jalalvandin mukaan, oli kuin opettaisi jollekin lentämään lentokoneella; et antaisi heille vain avaimia ja sanoisi ‘yritä parhaasi’, vaan ‘saattaisit heidän harjoitella erittäin monimutkaisessa lentosimulaattorissa, kunnes he ovat oppineet riittävästi kokeillakseen oikeaa lentoa.’

Tiimi koulutti sitten vahvistusoppimisen (RL) algoritmia heidän neuroverkossaan, joka voi kokeilla erilaisia strategioita plasmankontrolliin. Algoritmi oppii kokeilun ja erehdyksen kautta simuloidun ympäristön turvallisuudessa.

Sen sijaan, että opettaisi sille kaiken fuusioreaktion monimutkaisen fysiikan, tiimi kertoi vahvistusoppimismallille vain tavoitteensa, joka oli ylläpitää korkeaenergista reaktiota sekä mitä tulisi välttää, eli repeilytilan epävakautta ja säätimiä, joita se voi käyttää näiden tavoitteiden saavuttamiseksi. Ajan myötä malli oppii optimaalisen polun saavuttaakseen korkeat tehotasot välttäen epävakauden rangaistuksen.

Kun malli suoritti lukemattomia simuloituja fuusiokokeita, tiimi havaitsi ja tarkensi sen toimia, koska jotkut muutokset olivat liian nopeita.

“Ihmisenä me sovitamme tasapainoon sen, mitä AI haluaa tehdä, ja sen, mitä tokamak pystyy sietämään.”

– SangKyeun Kim, tutkimuksen yhteiskirjoittaja & PPPL:n henkilökunnan tutkimusfysiikko

Tiimi testasi AI-ohjaimen vain todellisessa fuusiokokeessa, kun he olivat varmoja sen kyvyistä. AI-ohjain teki sitten reaaliaikaisia muutoksia tiettyihin D-III D -tokamakin parametreihin, mukaan lukien plasmamuodon muuttaminen ja säteiden voimakkuuden säätäminen, jotka syöttävät energiaa reaktioon, estääkseen epävakauden alkamisen. (NRC )

Yleinen ratkaisu

Tämä viimeisin tutkimus, jonka tulokset julkaistiin viime viikolla Nature-lehdessä, esittelee aktiivisen lähestymistavan sen sijaan, että nykyiset “passiivisemmat” lähestymistavat ennustaisivat epävakautta etukäteen, mikä voi helpottaa näiden reaktioiden suorittamista. Kim sanoi:

“Meidän ei enää tarvitse odottaa epävakauden tapahtumista ja sitten ryhtyä nopeaan korjaavaan toimenpiteeseen ennen kuin plasma häiriintyy.”

Tämä tutkimus on varmasti lupaava konseptin todistus, joka osoittaa, kuinka AI voi tehokkaasti hallita fuusioreaktioita. Tutkijat kuitenkin huomauttivat, että Kolemenin ryhmä työskentelee jo useiden seuraavien askeleiden parissa fuusiotutkimuksen edistämiseksi.

Joten, vaikka onkin “vahvaa näyttöä” siitä, että AI-ohjain toimii “melko hyvin” DIII-D-tokamakissa, nykyinen fokus on saada lisää näyttöä ohjaimen toiminnasta, kerätä lisää dataa siitä, että se toimii myös eri tilanteissa, ja sen jälkeen laajentaa sen toiminta muihin tokamakeihin.

Mutta tämä ei ole kaikki. Nykyinen AI-malli käyttää vain rajoitettua määrää diagnostisia työkaluja, jotka mahdollistavat yhden tietyn epävakaustyypin välttämisen. Siksi tutkijat haluavat tarjota dataa myös muista epävakaustyypeistä sekä antaa AI-ohjaimelle pääsyn useampiin säätimiin säätöjen tekemiseksi. Tässä tiimi pyrkii laajentamaan algoritmiaan käsittelemään useita epävakaustyyppejä hallitsemalla samanaikaisesti monia erilaisia säätimiä.

Tällä tiellä kohti tehokkaampien AI-ohjaimien luomista tiimi toivoo, että AI:lla on parempi selkeys ja ymmärrys fuusioreaktioista ja fysiikasta, ja että se opettaa meille lisää kaikesta.

Klikkaa tästä oppiaksesi, miksi vuosi 2023 oli läpimurto vuosi AI:lle.

Yritykset, jotka toimivat AI:n ja fuusioreaktion alalla

Tarkastellaanpa nyt joitakin merkittäviä nimiä alalla:

#1. Google 

Teknologiagigantti on mukana kaikessa, myös AI-tutkimuksessa ja fuusiovoimassa. Muutama vuosi sitten Google‑taustainen DeepMind ilmoitti, että se oli kouluttanut AI-järjestelmän plasmaa hallitsemaan ydinfuusio­reaktorissa. AI Lab loi vahvistusoppimisen (RL) AI-järjestelmän magneettien hallitsemiseksi ja jännitteen muuttamiseksi tuhansia kertoja sekunnissa.

1,75 biljoonan dollarin markkinayrityksen osakkeet käyvät kaupassa 140,38 dollaria, +3 % vuoden alusta. Google raportoi liikevaihdon (TTM) 307,39 miljardia ja EPS:n (TTM) 5,80, P/E:n (TTM) 24,17 sekä ROE:n (TTM) 27,36 %.

#2. TAE Technologies

Aikaisemmin tunnettu nimellä Tri Alpha Energy, Kaliforniassa toimiva yritys keskittyy fuusioteknologian kehittämiseen. TAE Technologies päivittää parhaillaan fuusioplatformiaan, Normania, kuudennen sukupolven koneeseen nimeltä Copernicus. Jos kaikki sujuu suunnitelmien mukaisesti, yritys odottaa rakentavansa ensimmäisen prototyyppivoimalaitoksen, joka voisi liittää verkkoon 2030-luvun alussa, ja sen skaalaaminen “vankkaan ja luotettavaan” kaupalliseen energiaan jatkuu koko vuosikymmenen ajan. Fuusio, yrityksen toimitusjohtajan Michl Binderbauerin mukaan, veisi meidät “ylivuokran paradigmaan”.

Vuonna 2022 Google ja Chevron (CVX ) sijoittivat TAE Technologiesiin osana yrityksen 250 miljoonan dollarin rahoituskierrosta. Google on itse asiassa ollut TAE:n kumppani jo kymmenen vuoden ajan ja tarjoaa yritykselle AI- ja laskentatehoa.

#3. ITER

International Thermonuclear Experimental Reactor on kansainvälinen ydinfuusiotutkimuksen ja -insinöörityön megaprojekti, joka on edistänyt fuusiotutkimustaan ja -kehitystään koneoppimisen (ML) ja tekoälyn (AI) avulla.

“Suuret tieteelliset projektit kuten ITER tarjoavat runsaasti dataa, joka on ihanteellista AI:lle. Ne antavat meille ainutlaatuisen mahdollisuuden oppia, kouluttaa, extrapoloida ja soveltaa näitä taitoja muilla valmistuksen aloilla.”

– María Ortiz de Zúñiga, Fusion for Energy:n vanhempi tekninen virkamies

Johtopäätös

Kuten olemme tässä artikkelissa käsitelleet, AI:lla on potentiaalia muuttaa fuusiomatkan eri osa-alueita. Kuitenkin viimeaikaiset teknologiset edistysaskeleet ovat nostaneet toiveita pitkään kestäneiden haasteiden voittamisesta, joita ala kohtaa. Hyödyntämällä tekoälyn laskentatehoa ja mallintamisen kykyjä, voimme nopeuttaa fuusiovoiman kehittämistä ja lopulta tehdä kestävästä energiatulevaisuudesta todellisuutta.