AI kan fusie‑reactie‑instabiliteiten voorspellen en voorkomen

Sinds het concept van kernfusie bijna een eeuw geleden werd begrepen, zoeken ingenieurs en wetenschappers naar manieren om het te creëren en te benutten. Want als we kernfusie op industriële schaal bereiken, kan het betaalbare, veilige, niet‑vervuilende en praktisch onbeperkte energie bieden om aan de groeiende vraag te voldoen.

Wat is kernfusie? Het is een proces waarbij twee of meer lichte atoomkernen samensmelten tot één enkele, andere en zwaardere atoomkern, waarbij enorme hoeveelheden energie vrijkomen. Interessant genoeg leveren fusie‑reacties de energie voor de zon en de sterren, waardoor leven op aarde mogelijk is.

Het samensmelten van twee atomen is echter behoorlijk moeilijk, omdat er een enorme hoeveelheid druk en energie nodig is om hun onderlinge afstoting te overwinnen. De zon doet dit via zijn enorme zwaartekracht en de zeer hoge druk in zijn kern.

Nu proberen onderzoekers hun eigen fusie‑reactoren te bouwen. Deze fusie‑reacties vinden plaats in plasma, een materietoestand. Plasma, een heet, geladen gas bestaande uit vrije negatieve elektronen en positieve ionen, laat elektrische stroom erdoorheen vloeien.

Om dit proces te repliceren gebruiken wetenschappers extreem heet plasma en supersterke magneten. Het superverhitte, zeer complexe en chaotische plasma kan echter snel zijn stabiliteit verliezen en ontsnappen aan de sterke magnetische velden die het omsluiten in de donut‑vormige fusie‑reactor, wat meestal het einde van de reactie betekent. Deze donut‑vormige apparaten staan bekend als tokamaks.

Dit vormt uiteraard een kritieke uitdaging bij het ontwikkelen van fusie als een schone en onbeperkte energiebron. Een team van data‑wetenschappers, ingenieurs en fysici van Princeton University en het Princeton Plasma Physics Laboratory (PPPL) van het Amerikaanse ministerie van Energie maakt echter gebruik van kunstmatige intelligentie (AI) om in realtime de vorming van een specifiek plasma‑probleem te voorspellen en zo te vermijden.

In het DIII‑D National Fusion Facility in San Diego, een Office of Science‑faciliteit die wordt geëxploiteerd door General Atomics voor het Amerikaanse ministerie van Energie (DOE), voerden de onderzoekers hun experimenten uit en demonstreerden hun AI‑model, dat potentiële plasma‑instabiliteiten kon voorspellen. Deze zogenaamde tearing‑mode‑instabiliteiten kunnen door AI tot wel 300 milliseconden van tevoren worden voorspeld. Ter vergelijking: we knipperen gemiddeld elke 100–150 milliseconden, volgens onderzoekers van UCL.

Hoewel dit een extreem korte duur is, biedt het de AI‑controller voldoende tijd om specifieke operationele parameters aan te passen om het scheuren binnen de magnetische veldlijnen van het plasma te voorkomen, wat het evenwicht zou verstoren en de reactie mogelijk zou beëindigen.

Het AI‑model werd getraind op gegevens van eerdere proeven in plaats van informatie uit fysisch‑gebaseerde modellen te gebruiken. Op deze manier kon, volgens de studieleider Egemen Kolemen, die staff research physicist is bij PPPL en tevens universitair hoofddocent mechanische en lucht‑ en ruimtevaarttechniek aan het Andlinger Center for Energy and the Environment, “de AI een definitief controlebeleid ontwikkelen dat een stabiel, hoog‑vermogen plasma‑regime in realtime ondersteunt, in een echte reactor.”

In tegenstelling tot huidige benaderingen maakt dit een dynamischere controle van een fusie‑reactie mogelijk en biedt het bovendien een basis om AI in te zetten om oplossingen te vinden voor een breed scala aan plasma‑instabiliteiten. Dit is cruciaal omdat het al lange tijd een uitdaging vormt om een constante fusie‑reactie te realiseren.

Klik hier om alles te leren over investeren in kunstmatige intelligentie (AI).

De groeiende inzet van AI in fusieonderzoek

Gepubliceerd in Nature richt deze studie zich op het voorspellen en vermijden van tearing‑instabiliteiten voordat ze zelfs in het plasma verschijnen. Dit maakt het anders dan eerdere benaderingen, die volgens Jaemin Seo, de auteur van de studie en assistent‑professor fysica aan de Chung‑Ang University in Zuid‑Korea, normaal gezien gericht waren op het mitigeren of onderdrukken van de effecten van deze instabiliteiten nadat ze zich voordeden. 

Het Princeton‑team pakte tearing‑mode‑instabiliteiten aan, een type verstoring waarbij magnetische veldlijnen plasma’s die hoger dan 100 miljoen graden Celsius zijn niet kunnen bevatten, wat leidt tot plasma‑verstoring. Dit is heter dan het centrum van de zon. Volgens Seo:

“Tearing‑mode‑instabiliteiten, een van de belangrijkste oorzaken van plasma‑verstoring, zullen alleen maar prominenter worden naarmate we fusie‑reacties op de hoge vermogens proberen uit te voeren die nodig zijn om voldoende energie te produceren, wat een grote uitdaging vormt die moet worden opgelost.”

Aangezien dit type instabiliteit zich kan vormen en vervolgens de fusie‑reactie binnen enkele milliseconden kan ondermijnen, hebben onderzoekers AI ingeschakeld vanwege het vermogen om snel nieuwe gegevens te verwerken en erop te reageren.

Dit was echter niet de eerste keer dat AI werd ingezet in fusieonderzoek. Er is inderdaad een groeiende interesse in machine learning en AI om de enorme hoeveelheid gegevens die in deze experimenten worden geproduceerd te evalueren. 

Bij het evalueren van trainingsgegevens herkent de AI vervolgens patronen en leidt principes af. Bijvoorbeeld, Wendelstein 7‑X houdt zich bezig met live detectie van de staat van plasma‑evenwicht in stellarators, een plasma‑apparaat dat afhankelijk is van externe magneten om het plasma te confineren.

Zoals Riccardo Betti, chief scientist bij LLE, en Robert L. McCrory, professor in de afdeling Natuurkunde en Astronomie en de afdeling Werktuigbouwkunde, zeiden:

“We beschikken nu over een overvloed aan experimentele gegevens die we met machine learning kunnen benutten om de simulaties systematisch te corrigeren en realtime aanpassingen aan experimenten te sturen.”

Ondertussen beschreef in een studie uit 2021 Diogo Ferreira, professor informatiesystemen aan het Instituto Superior Técnico van de Universiteit van Lissabon in Portugal, drie verschillende toepassingen van AI-, ML- en DL-modellen voor fusieonderzoek. Een van zijn modellen voorspelt verstoringen in een superheet plasma, het tweede detecteert anomalieën in het plasma, en het derde gaat over visuele weergaven van plasma‑straalpatronen.

Deze nieuwste studie, ondersteund door het Office of Fusion Energy Sciences van het DOE en de National Research (NRC ) Foundation of Korea, werkt aan het voorkomen van tearing‑instabiliteit in fusie‑plasma met behulp van machine learning (ML) en het subveld deep reinforcement learning (RL). Het DOE heeft ook financiering verstrekt aan het MIT Plasma Science and Fusion Center om de toegang tot fusie‑gegevens te verbeteren.

Om een succesvolle kunstmatige‑intelligentie‑controller te bouwen, moet het Princeton‑team gegevens gebruiken van eerdere tests op de DIII‑D tokamak. Vervolgens werd een diep neuraal netwerk gecreëerd dat in staat is om de kans op een opkomende tearing‑instabiliteit te voorspellen op basis van de kenmerken van het plasma in realtime.

Dit was, volgens Azarakhsh Jalalvand, co‑auteur van de studie en onderzoeksscholier in Kolemen’s groep, vergelijkbaar met iemand leren vliegen, waarbij je hen niet simpelweg “een set sleutels geeft en zegt dat ze hun best moeten doen”, maar “hen laat oefenen op een zeer ingewikkelde vluchtsimulator totdat ze genoeg hebben geleerd om het echte vliegtuig te besturen.”

Het team trainde vervolgens een reinforcement learning (RL)‑algoritme op hun neurale netwerk, dat verschillende strategieën voor plasma‑controle kan uitproberen. Het algoritme leert door trial‑and‑error binnen de veiligheid van een gesimuleerde omgeving.

In plaats van het alle complexe fysica van een fusie‑reactie te leren, gaf het team het reinforcement learning‑model alleen hun doel: een hoog‑vermogen reactie behouden en vermijden wat niet gewenst is, namelijk een tearing‑mode‑instabiliteit en de regelknoppen die het kan gebruiken om die resultaten te bereiken. Na verloop van tijd leert het model de optimale route om hoge vermogensniveaus te behalen terwijl het de straf van instabiliteit vermijdt.

Naarmate het model talloze gesimuleerde fusie‑experimenten doorliep, observeerde het team en verfijnde het zijn acties omdat sommige veranderingen te snel waren.

“Als mensen bemiddelen we tussen wat de AI wil doen en wat de tokamak kan accommoderen.”

– SangKyeun Kim, co‑auteur van de studie & staff research scientist bij PPPL

Het team testte de AI‑controller alleen tijdens een echt fusie‑experiment nadat ze vertrouwen hadden in de capaciteiten ervan. De AI‑controller bracht vervolgens realtime wijzigingen aan in bepaalde D‑III‑D tokamak‑parameters, waaronder de vorm van het plasma en de sterkte van de stralen die vermogen in de reactie injecteerden, om het ontstaan van instabiliteit te voorkomen.

Een universele oplossing

Dit nieuwste onderzoek, waarvan de bevindingen vorige week in Nature werden gepubliceerd, presenteert een actieve benadering in tegenstelling tot de “meer passieve” huidige methoden om instabiliteiten vooraf te voorspellen, wat het uitvoeren van deze reacties kan vergemakkelijken. Kim zei:

“We hoeven niet langer te wachten tot de instabiliteiten zich voordoen en vervolgens snel corrigerende maatregelen te nemen voordat het plasma wordt verstoord.”

Deze studie is zeker een veelbelovend proof‑of‑concept dat laat zien hoe AI fusie‑reacties effectief kan beheersen. Onderzoekers merkten echter op dat de groep van Kolemen al aan verschillende volgende stappen werkt om het veld van fusieonderzoek vooruit te brengen.

Dus, hoewel er “sterk bewijs” is dat de AI‑controller “redelijk goed” werkt op de DIII‑D tokamak, ligt de focus nu op het verkrijgen van meer bewijs van de controller in actie, meer gegevens dat hij ook in verschillende situaties werkt, en vervolgens uit te breiden zodat hij functioneert op andere tokamaks.

Maar dat is nog niet alles. Het huidige AI‑model maakt slechts gebruik van een beperkt aantal diagnostische instrumenten die het in staat stellen om slechts één specifiek type instabiliteit te vermijden. Daarom willen de onderzoekers gegevens verstrekken over andere soorten instabiliteiten en meer regelknoppen beschikbaar stellen voor de AI‑controller om aanpassingen te maken. Het team streeft er dus naar om zijn algoritme uit te breiden zodat het verschillende soorten instabiliteiten kan behandelen door tegelijkertijd vele verschillende knoppen te regelen.

Op deze weg naar efficiëntere AI‑controllers hoopt het team dat de AI een verbeterd inzicht en begrip van fusie‑reacties en -fysica zal krijgen en ons er bovendien meer over zal leren.

Klik hier om te leren waarom 2023 het doorbraakjaar voor AI was.

Bedrijven die actief zijn op het gebied van AI & fusie‑reactie

Laten we nu een kijkje nemen bij enkele prominente namen in de sector:

#1. Google 

De techgigant heeft zijn handen in elke sector, en dat omvat AI‑onderzoek en fusie‑energie. Een paar jaar geleden kondigde DeepMind, gesteund door Google, aan dat het een AI‑systeem getraind om plasma te controleren binnen een kernfusie‑reactor. Het AI‑Lab creëerde een RL‑AI‑systeem om magneten te regelen en duizenden keren per seconde de spanning te wijzigen.

Het bedrijf met een marktwaarde van $1,75 biljoen heeft zijn aandelen die handelen tegen $140,38, een stijging van 3% YTD. Google rapporteerde een omzet (TTM) van 307,39 miljard en heeft een EPS (TTM) van 5,80, een P/E (TTM) van 24,17 en een ROE (TTM) van 27,36%.

#2. TAE Technologies

Voorheen bekend als Tri Alpha Energy, richt het in Californië gevestigde bedrijf zich op de ontwikkeling van fusie‑energietechnologie. TAE Technologies is momenteel bezig zijn fusieplatform, Norman, te upgraden naar een zesde‑generatie machine genaamd Copernicus. Als alles soepel verloopt, verwacht het bedrijf zijn eerste prototype‑energiecentrale te bouwen die in het begin van de jaren 2030 op het net kan worden aangesloten, en de opschaling om “robuste en betrouwbare” commerciële energie te ontwikkelen zal zich door het decennium voortzetten. Fusie, volgens CEO Michl Binderbauer, zou ons naar een “paradigma van overvloed” brengen.

In 2022 investeerden Google en Chevron (CVX ) in TAE Technologies als onderdeel van de $250 miljoen financieringsronde van het bedrijf. Google werkt al een decennium samen met TAE en levert het bedrijf AI en rekenkracht.

#3. ITER

International Thermonuclear Experimental Reactor is een internationaal kernfusie‑onderzoeks‑ en engineering‑megaproject dat zijn fusie‑onderzoek en -ontwikkeling heeft voortgezet met ML en AI.

“Grote wetenschapsprojecten zoals ITER bieden een overvloed aan gegevens die ideaal zijn voor AI. Ze geven ons een unieke kans om te leren, trainen, extrapoleren en deze vaardigheden toe te passen in andere productie‑sectoren.”

– María Ortiz de Zúñiga, Senior Technical Officer bij Fusion for Energy

Conclusie

Zoals we in dit artikel hebben besproken, heeft AI het potentieel om verschillende aspecten van de fusiereis te transformeren. Recente technologische vooruitgangen hebben echter de hoop aangewakkerd om de lang bestaande uitdagingen waarmee deze industrie wordt geconfronteerd te overwinnen. Door de rekenkracht en patroonherkenningsmogelijkheden van kunstmatige intelligentie te benutten, kunnen we de ontwikkeling van fusie‑energie versnellen en uiteindelijk een duurzame energie‑toekomst werkelijkheid maken.