Hallitse fuusiota tekoälyn avulla vapauttaaksesi äärettömän puhtaan energian

Fossiilispolttoaineiden nopean ehtymisen ja ilmastonmuutoksen pahenemisen myötä olemme kriittisessä puhtaan energian tarpeessa. 

Vaikka uusiutuvat energialähteet tarjoavat lupaavan vaihtoehdon, niillä on omat haasteensa energian varastointirajoitusten, verkkoon integroinnin monimutkaisuuden, korkean alkukustannuksen ja joidenkin lähteiden, kuten aurinko- ja tuulivoiman, epäsäännöllisyyden osalta. Lisäksi maankäyttö, poliittiset esteet ja kestävän infrastruktuurin tarve aiheuttavat merkittäviä haasteita. 

Tässä kohtaa ydinenergia voi muuttaa pelin. Ydinenergia on energiaa, joka vapautuu ytimestä, joka on positiivisesti varautunut atomien keskeinen ydin, koostuen protoneista ja neutroneista. 

Kansainvälisen energiajärjestön (IEA) mukaan ydinvoima vastaa noin 10% maailmanlaajuisesta sähkön tuotannosta. 

Mutta huolimatta sen kyvystä tuottaa päästötöntä energiaa, suuret aloituskustannukset, pitkät valmistusajat ja heikko aikataulujen noudattaminen rajoittavat ydinenergian käyttöönottoa, IEA toteaa. Kuitenkin uusi globaali vauhti voi avata uuden aikakauden ydinenergiassa, kun reaktorit alkavat kaupalliseen käyttöön Kiinassa, Euroopassa, Intiassa, Japanissa ja Koreassa.

Nyt on kaksi tapaa, joilla tätä energialähdettä voidaan tuottaa:

• Fuusio
• Fissio

Fissio on prosessi, jossa raskaiden atomien ytimet halkaistaan pienemmiksi. Fuusio on prosessi, jossa kevyempien atomien ytimet yhdistetään raskaammaksi ytimeksi. Molemmat vapauttavat valtavan määrän energiaa.

Vaikka tällä hetkellä vain fissioa käytetään laajamittaisesti sähkön tuotannossa, tänään keskitymme ydinfuusioon.

Vielä tutkimus- ja kehitysvaiheessa oleva ydinfuusio vaikuttaa hyvin vähäisesti maailmanlaajuiseen energiantuotantoon, vaikka sillä on valtava tulevaisuuden potentiaali. Se on itse asiassa yksi ympäristöystävällisimmistä energialähteistä, sillä prosessissa ei synny hiilidioksidia tai muita haitallisia päästöjä.

Fuusiovoimaloiden nollapäästöinen sähkö voi virrata jatkuvasti, säästä tai vuorokaudenajasta riippumatta. Toisin kuin fissio, fuusio ei aiheuta mahdollisesti katastrofaalisia sulamisia tai pitkäkestoista radioaktiivista ydinjätettä.

Fuusio ei ainoastaan vaikuta kasvihuonekaasupäästöihin, sen kaksi pääasiallista polttoainelähdettä, vety (deuteriumille) ja litium (tritiumille), ovat myös laajasti saatavilla.

Tämän taustan valossa odotetaan, että ydinfuusio täyttää ihmiskunnan energiatarpeet miljoonia vuosia, ja siksi maat ympäri maailmaa työskentelevät aktiivisesti sen toteuttamiseksi.

Esteet ydinenergian visiosta ja todellisuudesta

Vuonna 1915 amerikkalainen kemisti William Draper Harkins esitti ensimmäisen kerran ydinfuusion käsitteen. Mutta emme ole vielä saavuttaneet sitä merkittävästi. 

Fuusioreaktiot muodostavat itse asiassa tähtien perusenergilähteen, mukaan lukien valtavan kuuman kaasupallon, Auringon. Tämä prosessi, jota kutsutaan termoydinfuusioksi, on pitänyt Auringon ja tähdet loistamassa miljoonia vuosia.

Termoydinfuusiossa atomiytimet yhdistyvät äärimmäisen korkeissa lämpötiloissa, kymmenestä sataan miljoonaan celsiusasteeseen, mikä tarjoaa riittävästi energiaa voittamaan kahden ytimen keskinäisen sähköisen hylkimisen. Ne sitten fuusioituvat muodostaen yhden ytimen ja vapauttavat merkittävän määrän energiaa.

Auringon valtava gravitaatiovoima on tässä keskeinen, sillä se tuottaa äärimmäistä painetta, lämpöä ja fuusiolle sopivat olosuhteet. Ilman gravitaatiota aurinko ei olisi tarpeeksi kuuma ja tiheä fuusion tapahtumiseen.

Nyt ydinfuusion luominen Maassa ilman valtavaa painovoimaa tarkoittaa kevyiden isotooppien sijoittamista reaktoriin ja niiden lämmittämistä satoihin miljooniin celsiusasteisiin, jolloin ne muuttuvat ionisoituneeksi ‘plasmaksi’.

Plasma on varautunut kaasu, joka koostuu positiivisista ioneista ja vapaasti liikkuvista elektroneista. Se on äärimmäisen kuuma ja vaikea hallita, ja se vaatii magneettikentän estääkseen sen pakenemisen.

Tiedemiehet ovat pystyneet säännöllisesti saavuttamaan ydinfuusiolle tarvittavat olosuhteet, mutta plasman vakaus ja parannettu säilöntäkyky eivät ole vielä saavutettu reaktion ylläpitämiseksi ja energian tuottamiseksi kestävällä tavalla.

Esimerkiksi loppuvuodesta 2022 monimiljardinen fuusiokoe sai lopulta pienen isotooppinäytteen vapauttamaan enemmän energiaa kuin sen sytyttämiseen käytetty laserenergia, mutta se kesti vain noin kymmenesosan nanosekunnista.

Joten ydinfuusio on erittäin haastava prosessi, joka vaatii äärimmäisiä olosuhteita korkeita lämpötiloja ja voimakasta painetta.

Sitten on tarve vakauttaa plasma, estää sen kosketus reaktorin seiniin ja minimoida lämmönhäviö, mikä tekee reaktion ylläpitämisestä vaikeaa. Insinööritieteessä tarvitsemme suuria, voimakkaita suprajohtavia magneetteja plasman rajoittamiseksi tokamakeissa, yleinen rengasmuotoinen fuusioreaktori, sekä kehittyneitä tyhjiöjärjestelmiä äärimmäisen alhaisten paineiden saavuttamiseksi ja ylläpitämiseksi.

Lisäksi tarvitsemme materiaaleja, jotka kestävät korkeita lämpötiloja, suuria lämmönvirtoja ja voimakasta neutronisäteilyä. Näiden haasteiden ratkaisemiseksi tiedemiehet kääntyvät kohti tekoälyä (AI).

AI:n rooli ydinfuusiotutkimuksen ja -kehityksen nopeuttamisessa kasvaa jatkuvasti. Hyödyntämällä koneoppimista ja muita AI-algoritmeja, tutkijat optimoivat reaktorin suunnittelua, löytävät ja korjaavat perusmittausvirheitä, nopeuttavat materiaalien löytämistä, ennustavat ja estävät plasman häiriöitä, hallitsevat plasman tilaa sekä parantavat fuusioreaktioiden tehokkuutta ja vakautta.

Käsittelemällä valtavia määriä monimutkaista dataa ja fuusioprosessin eri osa-alueiden monimutkaisia suhteita, AI voi edelleen parantaa ymmärrystämme, nopeuttaa uusien reititösuunnitelmien kehittämistä ja merkittävästi lyhentää kehitysaikatauluja, raivaten tietä ydinenergian kaupallistamiselle.

AI auttaa voittamaan fuusion fysiikan esteet

AI muuttaa nopeasti teollisuuksia, mukaan lukien energia-ala, jossa se auttaa ratkaisemaan globaalia energiakriisiä saavuttamalla hiilineutraalin, rajattoman ydinenergian. 

Tässä yhteydessä Google DeepMind hyödynsi syvää vahvistusoppimista (RL) hallitakseen menestyksekkäästi plasmaa tokamakissa¹ ja muotoillakseen sen tarkasti eri muodoiksi. RL-järjestelmän kehittämiseksi he tekivät yhteistyötä Sveitsin Plasma Centerin EPFL:ssä. Järjestelmä oppii itsenäisesti, miten hallita tokamakin ympärillä olevia magneettikeloja ja pitää plasman sen sisällä.

Viime vuonna yritys julkaisi myös plasma-simulaattorin nimeltä TORAX², joka mallintaa plasman \”ydintä\” ja ennustaa sen jälkeen lämpötilan, tiheyden ja sähkövirran muutoksia. 

Aikaisemmin viime vuonna Princetonin yliopiston tiimi käytti myös RL:ää ennustaakseen fuusioplasman häiriöiden johtavan muodon jopa 300 millisekuntia ennen niiden ilmenemistä. Näitä kutsutaan \”repeämismoodin epävakaudeksi\”, joka tapahtuu, kun plasman sisäiset magneettikenttälinjat katkeavat, jolloin plasma pääsee pakoon ja fuusioprosessi pysähtyy.

Nämä epävakaudet odotetaan \”tulevan entistä merkittävämmiksi, kun yritämme ajaa fuusioreaktioita korkeilla tehoilla, jotka vaaditaan riittävän energian tuottamiseksi\”, sanoi ensimmäinen kirjoittaja Jaemin Seo, fysiikan apulaisprofessori Etelä-Korean Chung-Ang -yliopistosta. \”Ne ovat tärkeä haaste, jonka on ratkaistava.\”

Heidän AI-mallinsa ennustaa mahdolliset repeämismoodin epävakaudet etukäteen³ ja tekee sitten muutoksia tiettyihin käyttöparametreihin välttääkseen repeämisen plasman magneettikenttälinjoissa.

Malli, joka on koulutettu menneiden kokeellisten tietojen perusteella, saa tavoitteekseen ylläpitää korkea-tehoista reaktiota, sekä ehtoja, joita on vältettävä, kuten repeämismoodin epävakaus, ja säätimiä, joita se voi kääntää näiden tavoitteiden saavuttamiseksi. Ajan myötä AI-malli \”oppii optimaalisen polun\” ylläpitääkseen korkea-tehoista tavoitetta samalla kun se välttää epävakautta.

“Oppimalla menneistä kokeista sen sijaan, että se sisällyttäisi tietoa fysiikkaan perustuvista malleista, AI pystyi kehittämään lopullisen ohjauskäytännön, joka tukee vakaata, korkea-tehoista plasmakautta reaaliajassa todellisessa reaktorissa.”

– Tutkimusjohtaja Egemen Kolemen

Kun malli suoritti lukemattomia simuloituja fuusiokokeita löytääkseen polkuja, taustalla tiimi tarkkaili sen “tarkoituksia” ja tarkensi toimia, toimien sovittelijana “sen välillä, mitä AI haluaa tehdä ja mitä tokamak pystyy sietämään”.

Insinööri-, fysiikka- ja datatieteilijöiden tiimi testasi ja esitteli mallinsa kokeissa DIII-D:n kansallisessa fuusiolaitoksessa San Diegossa.

Sitten, aikaisemmin tänä vuonna, tutkimuspaperi nimeltä “Prediction of Performance and Turbulence in ITER Burning Plasmas via Nonlinear Gyrokinetic Profile Prediction” julkaistiin Nathan Howardin, MIT:n Plasma Science and Fusion Centerin (PSFC) pääasiallisen tutkimustieteilijän toimesta.

Howard ja hänen tiiminsä käyttivät koneoppimista ja simulaatioita ennustaakseen, miten plasma käyttäytyy fuusiolaitteessa. 

“Paperissa he selittivät, että korkean resoluution turbulenssisimulaatiot vahvistavat, että ITER-tokamak, maailman suurin kokeellinen fuusiolaitos, joka on parhaillaan rakenteilla Etelä-Ranskassa, toimii odotetusti, kun se aloittaa toiminnan, mikä ei tapahdu ennen vuotta 2035.

Vahvistaakseen skenaarion tiimi käytti CGYROa, aikaa vievää ohjelmaa, joka soveltaa monimutkaista plasmafysiikan mallia tiettyihin käyttöolosuhteisiin tuottaakseen yksityiskohtaisia simulaatioita plasman käyttäytymisestä eri paikoissa fuusiolaitteessa.

Simulaatiot ajettiin sitten PORTALS-kehyksen kautta, joka ottaa korkean tarkkuuden suoritukset ja käyttää koneoppimista rakentaakseen ‘sijaismallin’, mallin, joka “voi jäljitellä monimutkaisempien suoritusten tuloksia, mutta paljon nopeammin”.

Korkean tarkkuuden mallinnustyökalut kuten PORTALS, tutkijat totesi, tarjoavat “kurkistuksen plasman ytimeen ennen sen muodostumista. Tämä ennakko-ensimmäinen lähestymistapa mahdollistaa tehokkaampien plasmajen luomisen laitteessa kuten ITER”.

Tiimi esitteli myös erilaisia käyttöasetuksia, joissa sama energiamäärä voidaan tuottaa vähemmällä energiansyötöllä.

Swipe to scroll →

Fuusiosäteilyn varjojen kartoitus HEAT-ML:llä 

Uutta AI-lähestymistapaa käytetään nyt suojaamaan fuusioreaktoreiden sisäosia plasman äärimmäiseltä lämmöltä. Tämä uusi menetelmä nopeuttaa laskentanopeutta, joka vaaditaan “magneettivarjojen” löytämiseksi fuusiokonttien sisällä.

Nämä varjot ovat turvallisia suojapaikkoja, jotka on suojattu intensiiviseltä plasmalta.

Lämpöhaaste tokamakissa

Kuten yllä selitimme, kun plasma on rajoitettu tokamakissa magneettikenttien avulla, plasman tuottama lämpö saavuttaa lämpötilan, joka on jopa kuumempi kuin auringon ydin. Fuusion hyödyntämiseksi tämä lämpö on hallittava.

“Tokamakin plasmaa koskevat komponentit saattavat joutua kosketuksiin erittäin kuuman plasman kanssa, mikä voi sulattaa tai vahingoittaa näitä elementtejä. Pahimmassa tapauksessa toiminta on lopetettava.”

Jotta tämä ongelma voitaisiin voittaa, tutkijat hyödyntävät AI:ta, joka voi nopeuttaa laskelmia, jotka ennustavat tarkalleen, mihin lämpö iskee tokamakissa.

Merkittävästi nopeuttamalla HEAT-laskelmia malli mahdollistaa reaaliaikaiset sovellukset divertorin suojaukselle ja ohjaustoimille.

Yhteistyö fuusioinnovoinnin edistämiseksi

Julkisen ja yksityisen sektorin kumppanuus PPL:n, Yhdysvaltain energiaministeriön (DOE) Oak Ridgein kansallisen laboratoriot (ORNL) ja fuusiovoimayhtiön Commonwealth Fusion Systems (CFS) välillä, joka on MIT:n spin-off ja pyrkii rakentamaan pienen fuusiovoimalan ARC-tokamak -suunnitelman perusteella, johti tähän uuteen AI-lähestymistapaan nimeltä HEAT-ML.

Koneoppimiseen perustuva sijaismalli (HEAT-ML) on tarkemmin esitelty viimeisimmässä tutkimuksessa nimeltä “Shadow masks predictions in SPARC tokamak plasma-facing components using HEAT code and machine learning methods.”

HEAT-ML pyrkii luomaan perustan ohjelmistolle, joka nopeuttaa tulevien fuusiojärjestelmien suunnittelua, sekä estää mahdolliset ongelmat ennen niiden syntymistä säätämällä plasmaa, mahdollistaen hyvät päätökset.

“Tämä tutkimus osoittaa, että olemassa oleva koodi voidaan ottaa ja luoda AI-sijaismalli, joka nopeuttaa hyödyllisten vastausten saamista, ja avaa mielenkiintoisia mahdollisuuksia ohjauksen ja skenaarioiden suunnittelun osalta.”

– Paperin yhteiskirjoittaja, Michael Churchill, joka on PPPL:n digitaalisen suunnittelun johtaja.

Magneettivarjojen kartoitus materiaalien suojaamiseksi

HEAT-ML on suunniteltu erityisesti simuloimaan pientä osaa SPARCista.

SPARC on tokamak, jota kehitetään parhaillaan CFS:n ja MIT:n PSFC:n yhteistyössä. Sen on tarkoitus aloittaa toiminta ensi vuonna ja tavoitteena on osoittaa nettotulos, tuottaen enemmän energiaa kuin kuluttaa vuoteen 2027 mennessä.

Tämän saavuttamiseksi tutkijat simuloivat, miten lämpö vaikuttaa tämän tokamakin sisäosaan.

Suuri laskennallinen haaste, tutkijat tekevät siitä hallittavan keskittymällä SPARC-osioon, jossa plasman lämmön poistuminen kohtaa materiaaliseinän. Siellä on 15 laattaa koneen pohjan ympärillä, mikä on se osa, jossa sen poistojärjestelmä on alttiin suurimmalle lämmölle.

Luodakseen tämän simulaation tiimi loi varjomaskit, jotka ovat 3D-karttoja magneettivarjoista. Nämä kartat ovat erityisiä alueita fuusiolaitteen sisäkomponenttien pinnoilla, jotka on suojattu suoralta lämmöltä. Niiden sijainti riippuu osien muodosta tokamakin sisällä sekä siitä, miten ne vuorovaikuttavat plasman rajoittavien magneettikenttälinjojen kanssa.

Simulaatioiden nopeuttaminen minuuteista millisekunteihin

Varjomaskit laskettiin alun perin avoimen lähdekoodin tietokoneohjelmalla nimeltä HEAT, eli Heat flux Engineering Analysis Toolkit.

Tom Looby CFS:stä yhteistyössä SPARC Diagnostic Teamin johtajan Matt Reinken kanssa rakentelemana, tätä ohjelmaa sovellettiin alun perin PPPL:n pallomaisen tokamakin, National Spherical Torus Experiment-Upgrade (NSTX-U) -koneen, poistojärjestelmään, jonka on suunniteltu olevan maailman voimakkain.

Tutkijat ovat nyt käyttäneet koneoppimista HEATin tukena kehittäen 3D-sijaismalleja nopeisiin ja tarkkoihin lämmönkuormituksen laskelmiin.

Tuloksena oleva HEAT-ML seuraa magneettikenttälinjoja komponentin pinnalta tarkistaakseen, leikkaavatko ne muita sisäosia. Jos linja leikkaa, kyseinen kohta merkitään varjostetuksi alueeksi, eli magneettivarjoksi.

Koko prosessi, jossa jäljitetään linjoja ja havaitaan tarkasti, missä ne kohtaavat yksityiskohtaisen 3D-konegeometrian, oli kuitenkin merkittävä pullonkaula, joka saattoi kestää noin 30 minuuttia yhtä simulaatiota kohden. Jos mukana on monimutkaisia geometrioita, se voi kestää vielä pidempään.

HEAT-ML mahdollisti tiimille tämän rajoituksen ylittämisen, nopeuttaen laskelmat vain millisekunneiksi.

Kohti reaaliaikaista fuusiovoimaloiden ohjausta

HEAT-ML-malli käyttää syvää neuroverkkoa, AI:n muotoa, jossa on useita piilotettuja kerroksia, sovellettuna dataan oppimaan erityistehtäviä tunnistamalla kuvioita. Tässä tapauksessa HEAT-ML koulutettiin noin 1 000 SPARC-simulaatiosta HEATista varjoregionien tunnistamiseksi.

Koska se on sidottu SPARC:n poistojärjestelmän erityissuunnitteluun, HEAT-ML toimii vain tämän tietyn tokamakin kyseisessä osassa.

Joten tällä hetkellä se on valinnainen asetus HEAT-koodissa. Mutta tiimi toivoo laajentavansa mallinsa kykyjä yleistämään varjomaskien laskelmat kaikille poistojärjestelmille koosta ja muodosta riippumatta, sekä muille plasman koskettaville komponenteille tokamakissa.

Tehon poistuminen, tutkimuksen mukaan, on ratkaiseva haaste seuraavan sukupolven fuusilaitteille ja vaatii innovatiivisia ratkaisuja divertorin suunnittelussa ja toiminnassa. Tutkimus totesi:

“Lopullinen tavoite on integroida malli reaaliaikaista ohjausta ja tulevia operatiivisia päätöksiä varten.”

Sijoittaminen ydinenergiaan

Teknologiagigantti Microsoft Corporation (MSFT ) tutkii aktiivisesti ydinenergiaa ja sen kiihdyttämistä AI:n avulla, sillä se uskoo sen kuuluvan hiilineutraaleihin energialähteisiin. 

Microsoftin päävastuuhenkilö kestävyydestä, Melanie Nakagawa, on kutsunut fuusiota pitkän aikavälin panokseksi ja sanonut, että viime vuosina teollisuus on saavuttanut erilaisia virstanpylväitä, mikä on luonut “paljon optimismia, että tämä voisi olla hetki, jolloin fuusio todella etenee tällä vuosikymmenellä tai lähellä tätä vuosikymmentä.” 

Microsoft Corporation (MSFT )

Fuusiotavoitteitaan varten Microsoft teki mullistavan sopimuksen yksityisen fuusiastartup-yrityksen Helion Energyn kanssa vuonna 2023. Sopimuksen mukaan Helion toimittaa fuusiovoimaa Microsoftin datakeskuksiin vuoteen 2028 mennessä.

Myös SoftBankin riskipääomasijoitusyksikön ja OpenAI:n Sam Altmanin tukema Helion aloitti tänä vuonna suunnitellun fuusiovoimalan Orionin rakentamisen, vaikka lopullisia lupia ei ole vielä varmistettu. 

Helionin prototyyppi Polaris pyrkii parhaillaan löytämään tavan tuottaa enemmän energiaa kuin reaktion luomiseen ja ylläpitämiseen tarvitaan. Orion puolestaan, toimitusjohtajan mukaan, yhdistyy energianjakoverkkoihin.

Kun tarkastellaan Microsoftin markkinasuorituskykyä, 3,86 biljoonan dollarin markkina-arvoinen yhtiö käy kauppaa noin 521 dollarin hintaan, +23,41 % vuoden alusta. Sen EPS (TTM) on 13,64 ja P/E (TTM) 38,25. Saatavilla oleva osinkotuotto on 0,64 %.

Mitä tulee taloudellisiin tuloksiin vuoden 2025 30. kesäkuuta päättyneeseen neljännekseen, se paljasti 18 % liikevaihdon kasvun 76,4 miljardiin dollariin, 23 % nousun käyttövoittoon 34,3 miljardiin dollariin ja 24 % nousun nettotulokseen 27,2 miljardiin dollariin. Laimennettu osakekohtainen tulos oli samalla 3,65 dollaria, +24 %.

“Pilvi ja AI ovat liiketoiminnan muutosvoiman lähde kaikilla toimialoilla ja sektoreilla.”

– Toimitusjohtaja Satya Nadella

Uusimmat Microsoft Corporation (MSFT) Stock News and Developments

Yhteenveto

Yksi lupaavimmista poluista puhtaaseen energiaan on fuusio, mutta sen kaupallistamisen tie on pitkä ja haastava. Kuitenkin AI osoittautuu kiihdyttimeksi, joka voi viimein muuttaa tämän vuosisatoja vanhan unelman todellisuudeksi, hyvin elinaikamme sisällä.

Hyödyntämällä AI-pohjaisia lähestymistapoja tutkijat pyrkivät tekemään fuusiolaitteista kestäviä ja taloudellisesti kannattavia. Tutkimuksen nopeuttamisesta ja plasman epävakauden ratkaisemisesta reaktorijärjestelmien suojaamiseen, AI voi auttaa tuomaan ydinenergian verkkoon ja mahdollistaa ihmiskunnalle rajattoman energian.

Klikkaa tästä oppiaksesi, miltä ydinenergian neljäs sukupolvi näyttäisi.

Viitteet:

1. Degrave, J., Felici, F., Buchli, J., ym. Magnetic control of tokamak plasmas through deep reinforcement learning. Nature, 602(7897), 414–419, julkaistu 16 helmikuuta 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: A fast and differentiable tokamak transport simulator in JAX. arXiv preprint arXiv:2406.06718, julkaistu 10 kesäkuuta 2024, viimeksi tarkistettu 7 joulukuuta 2024. https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., ym. Avoiding fusion plasma tearing instability with deep reinforcement learning. Nature, 626(8001), 746–751, julkaistu 21 helmikuuta 2024. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez-Fernandez, P., Holland, C., & Candy, J. Prediction of performance and turbulence in ITER burning plasmas via nonlinear gyrokinetic profile prediction. Nuclear Fusion, 65(1), 016002, julkaistu 11 novemberia 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. Shadow masks predictions in SPARC tokamak plasma-facing components using HEAT code and machine learning methods. Fusion Engineering and Design, 217, 115010, julkaistu elokuussa 2025. https://doi.org/10.1016/j.fusengdes.2025.115010