Beheersing van fusie met AI om oneindige schone energie te ontgrendelen

Met fossiele brandstoffen die snel opraken en de klimaatverandering die verergert, bevinden we ons in een kritieke behoefte aan schone energie. 

Hoewel hernieuwbare energiebronnen een veelbelovend alternatief bieden, hebben ze hun eigen uitdagingen op het gebied van opslagbeperkingen, complexiteit van netintegratie, hoge initiële kosten, en de intermitterende aard van sommige bronnen zoals zon en wind. Daarnaast vormen landgebruik, beleidsbarrières en de behoefte aan robuuste infrastructuur ook aanzienlijke obstakels. 

Dit is waar nucleaire energie het spel kan veranderen. Nucleaire energie is een vorm van energie die vrijkomt uit de kern, het positief geladen centrale deel van atomen, bestaande uit protonen en neutronen. 

Volgens het Internationaal Energieagentschap (IEA) is kernenergie goed voor ongeveer 10% van de wereldwijde elektriciteitsopwekking. 

Maar ondanks het vermogen om emissievrije energie te produceren, beperken hoge initiële kosten, lange doorlooptijden en een slechte staat van dienst op het gebied van tijdige levering de adoptie van nucleaire energie, aldus de IEA. Echter, nieuwe wereldwijde impuls heeft het potentieel om een nieuw tijdperk voor nucleaire energie te openen, met reactoren die commerciële operaties zullen starten in China, Europa, India, Japan en Korea.

Nu zijn er twee manieren waarop deze energiebron kan worden geproduceerd:

• Fusie
• Splijting

Splijting is wanneer de kernen van zware atomen worden gesplitst in kleinere. Fusie is wanneer de kernen van lichtere atomen samensmelten tot een zwaardere. Beide geven enorme hoeveelheden energie vrij.

Hoewel alleen splijting momenteel op grote schaal wordt gebruikt voor elektriciteitsopwekking, ligt onze focus vandaag op nucleaire fusie.

Nog steeds in de onderzoeks- en ontwikkelingsfase draagt nucleaire fusie zeer weinig bij aan de wereldwijde energieproductie, hoewel het enorme potentie voor de toekomst heeft. Het is eigenlijk een van de meest milieuvriendelijke energiebronnen, aangezien er geen kooldioxide of andere schadelijke emissies tijdens het proces vrijkomen.

Zero-koolstof elektriciteit van fusie-energiecentrales kan ook continu leveren, ongeacht het weer of of het dag of nacht is. In tegenstelling tot splijting veroorzaakt fusie zelfs geen potentieel rampzalige smeltincidenten of langdurig radioactief nucleair afval.

Niet alleen draagt fusie niet bij aan broeikasgas (GHG) emissies, de twee belangrijkste brandstoffen, waterstof (voor deuterium) en lithium (voor tritium), zijn ook breed beschikbaar.

Tegen deze achtergrond wordt verwacht dat nucleaire fusie de energiebehoefte van de mensheid voor miljoenen jaren kan vervullen, en dat heeft landen over de hele wereld die actief werken om het werkelijkheid te maken. 

Obstakels tussen de visie op nucleaire energie en de realiteit

In 1915 werd het concept van nucleaire fusie voor het eerst voorgesteld door de Amerikaanse chemicus William Draper Harkins. Maar we hebben het nog niet op betekenisvolle wijze bereikt. 

Fusieprocessen vormen eigenlijk de fundamentele energiebron van sterren, inclusief de gigantische bol van heet gas, de Zon. Het is het proces dat thermonucleaire fusie wordt genoemd en dat de Zon en de sterren al miljoenen jaren laat schijnen.

Bij thermonucleaire fusie combineren atoomkernen bij extreem hoge temperaturen, tien tot honderd miljoen graden Celsius, wat voldoende energie levert om de onderlinge elektrische afstoting van twee kernen te overwinnen. Ze versmelten vervolgens tot één kern en geven aanzienlijke energie vrij.

De enorme zwaartekracht van de Zon speelt hier een sleutelrol, omdat het extreme druk, hitte en de voorwaarden voor fusie creëert. Zonder zwaartekracht zou de Zon niet heet en dicht genoeg zijn voor fusie om plaats te vinden. 

Nu, om nucleaire fusie op aarde te creëren zonder de enorme zwaartekracht, betekent het plaatsen van lichte isotopen in een reactor en ze vervolgens verhitten tot honderden miljoenen graden Celsius, waardoor ze een geïoniseerd ‘plasma’ worden.

Plasma is een geladen gas bestaande uit positieve ionen en vrij bewegende elektronen. Het is extreem heet en moeilijk te beheersen, en vereist een magnetic field to prevent it from escaping.

Wetenschappers hebben routinematig de voorwaarden voor nucleaire fusie kunnen bereiken, maar plasmastabiliteit en verbeterde opsluitings‑eigenschappen moeten nog worden bereikt om de reactie te behouden en energie op een duurzame manier te produceren.

Zo kreeg eind 2022, een multimiljard-dollar fusie-experiment eindelijk een klein isotopensample die meer energie vrijgaf dan de laserenergie die werd gebruikt om het te ontsteken, maar het duurde slechts ongeveer één tiende van een nanoseconde.

Dus, nucleaire fusie is een zeer uitdagend proces, dat extreme omstandigheden van hoge temperaturen en intense druk vereist.

Daarna is er de noodzaak om het plasma te stabiliseren, te voorkomen dat het de reactorwanden raakt, en warmteverlies te minimaliseren, waardoor het moeilijk is de reactie vol te houden. Wat engineering betreft, hebben we grote, krachtige supergeleidende magneten nodig om het plasma in tokamaks, een veelvoorkomend type donutvormige fusie‑reactor, te omsluiten, en geavanceerde vacuümsystemen om de extreem lage drukken te bereiken en te behouden.

Bovendien hebben we materialen nodig die hoge temperaturen, hoge warmtestromen en intense neutronenstraling kunnen weerstaan. Om deze uitdagingen aan te pakken, wenden wetenschappers zich tot kunstmatige intelligentie (AI). 

AI speelt een steeds belangrijkere rol bij het versnellen van onderzoek en ontwikkeling van nucleaire fusie. Door gebruik te maken van machine learning en andere AI‑algoritmen optimaliseren onderzoekers het reactorontwerp, vinden en corrigeren fundamentele meetfouten, versnellen materiaalontdekking, voorspellen en voorkomen plasma‑onderbrekingen, beheersen de plasmatoestand, en verbeteren de efficiëntie en stabiliteit van fusieprocessen.

Door enorme hoeveelheden complexe data en de ingewikkelde relaties tussen verschillende aspecten van het fusieproces te verwerken, kan AI ons begrip ervan verder verbeteren, de ontwikkeling van nieuwe reactorontwerpen versnellen en de ontwikkeltijd aanzienlijk verkorten, waardoor de commercialisering van nucleaire energie mogelijk wordt.

AI helpt de fysische barrières van fusie te overwinnen

AI transformeert snel industrieën, waaronder de energiesector, waar het helpt de wereldwijde energiecrisis op te lossen door koolstofvrije, onbeperkte nucleaire energie te realiseren. 

In dat verband heeft Google DeepMind deep reinforcement learning (RL) gebruikt om met succes het plasma¹ in een tokamak te beheersen en het nauwkeurig in verschillende vormen te vormen. Voor de ontwikkeling van het RL‑systeem werkten ze samen met het Swiss Plasma Center van EPFL. Het systeem ontdekt autonoom hoe de magnetische spoelen rond een tokamak te besturen en het plasma daarin te bevatten.

Vorig jaar bracht het bedrijf ook een plasmarsimulator uit genaamd TORAX², die de ‘core’ van het plasma modelleert en vervolgens veranderingen in temperatuur, dichtheid en elektrische stroom voorspelt. 

Eerder vorig jaar gebruikte een team van Princeton University ook RL om de belangrijkste vorm van verstoringen in fusieplasma tot 300 milliseconden vóór hun optreden te voorspellen. Bekend als “tear‑modeinstabiliteiten”, treedt dit op wanneer de magnetische veldlijnen binnen een plasma breken, waardoor het kan ontsnappen en het fusieproces stopt. 

Deze instabiliteiten worden verwacht “nog prominenter te worden naarmate we proberen fusieprocessen uit te voeren op de hoge vermogens die nodig zijn om voldoende energie te produceren,” zei eerste auteur Jaemin Seo, assistent‑professor fysica aan de Chung‑Ang Universiteit in Zuid‑Korea. “Ze vormen een belangrijke uitdaging voor ons om op te lossen.”

Hun AI‑model voorspelt potentiële tear‑modusinstabiliteiten vooraf³ en past vervolgens bepaalde operationele parameters aan om het scheuren binnen de magnetische veldlijnen van het plasma te voorkomen.

Het model, getraind op eerdere experimentele data, krijgt als doel een hoogvermogenreactie te behouden, samen met voorwaarden om te vermijden, zoals tear‑modusinstabiliteit, en de instellingen die het kan aanpassen om deze resultaten te bereiken. Na verloop van tijd “leert” het AI‑model het optimale pad om het hoogvermogen‑doel te handhaven terwijl het instabiliteit vermijdt.

“Door te leren van eerdere experimenten, in plaats van informatie uit fysisch‑gebaseerde modellen te integreren, kon de AI een definitief controlebeleid ontwikkelen dat een stabiel, hoogvermogen‑plasma‑regime in realtime ondersteunde, in een echte reactor.”

– Onderzoeksleider Egemen Kolemen

Terwijl het model talloze gesimuleerde fusie‑experimenten uitvoerde om paden te vinden, observeerde het team op de achtergrond de “intenties” en verfijnde de acties, fungeerde als een arbiter “tussen wat de AI wil doen en wat de tokamak kan accommoderen.”

Het team van ingenieurs, fysici en dataspecialisten testte en demonstreerde hun model in experimenten bij de DIII‑D National Fusion Facility in San Diego.

Vervolgens, eerder dit jaar, werd een onderzoekspaper getiteld “Prediction of Performance and Turbulence in ITER Burning Plasmas via Nonlinear Gyrokinetic Profile Prediction“⁴ gepubliceerd door Nathan Howard, een hoofdonderzoeker bij het MIT Plasma Science and Fusion Center (PSFC).

Howard en zijn team gebruikten ML en simulaties om te voorspellen hoe plasma zich zal gedragen in een fusietoestel. 

“In het paper legden ze uit dat hoog‑resolutie simulaties van turbulentie bevestigen dat de ITER‑tokamak, ’s werelds grootste experimentele fusietoestel dat momenteel wordt gebouwd in het zuiden van Frankrijk, zal presteren zoals verwacht wanneer het operationeel gaat, wat niet vóór ten minste 2035 zal zijn.

Om het scenario te verifiëren, gebruikte het team CGYRO, een tijdrovend programma dat een complex plasmafysisch model toepast op bepaalde operationele omstandigheden om gedetailleerde simulaties van plasma‑gedrag op verschillende locaties binnen een fusietoestel te produceren.

De simulaties werden vervolgens uitgevoerd via het PORTALS‑framework, dat de high‑fidelity runs neemt en ML gebruikt om een ‘surrogaat’ te bouwen, een model dat “de resultaten van de complexere runs kan nabootsen, maar veel sneller.”

High‑fidelity modelleringsinstrumenten zoals PORTALS, merkten de onderzoekers op, bieden “een kijkje in de plasmakern voordat deze zelfs maar vormt. Deze predict‑first benadering stelt ons in staat efficiëntere plasma’s te creëren in een apparaat zoals ITER.”

Het team toonde ook verschillende operationele opstellingen waarbij dezelfde hoeveelheid energie‑output kan worden geproduceerd maar met minder energie‑input.

Swipe to scroll →

De fusieschaduwen in kaart brengen met HEAT‑ML 

Een nieuwe AI‑benadering wordt nu gebruikt om de binnenkant van fusie‑reactoren te beschermen tegen de extreme hitte van plasma. Deze nieuwe methode versnelt de snelheid van de benodigde berekeningen om “magnetische schaduwen” in de fusie‑containers te vinden.

Deze schaduwen zijn veilige havens die beschermd zijn tegen de intense plasmaverwarming.

De hitte‑uitdaging binnen de tokamak

Zoals hierboven uitgelegd, wanneer het plasma in de tokamak wordt opgesloten met magnetische velden, bereikt de hitte van het plasma een temperatuur die zelfs heter is dan de kern van de zon. Om fusie te benutten, moet deze hitte worden beheerst.

Volgens Doménica Corona Rivera, associate research physicist bij Princeton Plasma Physics Laboratory (PPPL):

“De plasma‑exponerende componenten van de tokamak kunnen in contact komen met het plasma, dat zeer heet is en deze elementen kan smelten of beschadigen. Het ergste wat kan gebeuren is dat je de operaties moet stopzetten.”

Dus, om dit probleem te overwinnen, gebruiken de onderzoekers AI die de berekeningen kan versnellen die voorspellen waar de hitte in de tokamak zal aantreffen.

Door HEAT‑berekeningen aanzienlijk te versnellen, maakt het model real‑time toepassingen mogelijk voor divertor‑bescherming en controleacties.

Een samenwerking om fusie‑innovatie te stimuleren

Een publiek‑private samenwerking tussen PPL, het Oak Ridge National Laboratory van het Amerikaanse Department of Energy (DOE), en het fusie‑energiebedrijf Commonwealth Fusion Systems (CFS), een spin‑off van MIT die een kleine fusie‑energiecentrale wil bouwen gebaseerd op het ARC‑tokamak‑ontwerp, leidde tot deze nieuwe AI‑benadering genaamd HEAT‑ML.

Het op ML gebaseerde surrogaatmodel (HEAT‑ML) wordt gedetailleerd beschreven in de nieuwste studie getiteld “Shadow masks predictions in SPARC tokamak plasma-facing components using HEAT code and machine learning methods.”⁵

HEAT‑ML heeft als doel de basis te leggen voor software die het ontwerp van toekomstige fusiesystemen versnelt, en tevens problemen te voorkomen voordat ze zich voordoen door het plasma aan te passen, waardoor goede besluitvorming mogelijk wordt.

“Dit onderzoek toont aan dat je een bestaande code kunt nemen en een AI‑surrogaat kunt creëren die je vermogen om nuttige antwoorden te krijgen versnelt, en het opent interessante mogelijkheden op het gebied van controle en scenario‑planning.”

– Medeauteur van het paper, Michael Churchill, hoofd digitale engineering bij PPPL.

Magnetische schaduwen in kaart brengen om materialen te beschermen

HEAT‑ML is specifiek gemaakt om een klein deel van SPARC te simuleren.

SPARC is een tokamak die momenteel wordt ontwikkeld door CFS in samenwerking met het MIT PSFC. Het staat gepland om volgend jaar operationeel te worden en streeft ernaar een netto energiewinst te demonstreren, meer energie te genereren dan het verbruikt tegen 2027.

Om dat te bereiken, simuleren de onderzoekers hoe hitte de binnenkant van deze tokamak beïnvloedt.

Een grote rekenuitdaging, de onderzoekers maken het beheersbaar door zich te concentreren op het SPARC‑gedeelte, waar de intensiteit van de plasma‑warmte‑uitstoot de materiaalmuur ontmoet. En dat zijn 15 tegels rondom de basis van de machine, het deel waar het uitlaatsysteem het meest aan hitte zal worden blootgesteld.

Om deze simulatie te maken, creëerde het team shadow masks, 3D‑kaarten van magnetische schaduwen. Deze kaarten zijn specifieke gebieden op de oppervlakken van interne componenten van een fusiesysteem die beschermd zijn tegen directe hitte. Hun positie hangt af van de vorm van de onderdelen binnen de tokamak en hoe ze interageren met de magnetische veldlijnen die het plasma omsluiten.

Simulaties versnellen van minuten naar milliseconden

De shadow masks werden oorspronkelijk berekend met behulp van het open‑source computerprogramma genaamd HEAT, of de Heat flux Engineering Analysis Toolkit.

Gebouwd door Tom Looby van CFS in samenwerking met de leider van het SPARC Diagnostic Team, Matt Reinke, werd dit programma aanvankelijk toegepast op het uitlaatsysteem van de sferische tokamak van PPPL, genaamd de National Spherical Torus Experiment‑Upgrade machine (NSTX‑U), die ontworpen is om de krachtigste ter wereld te zijn.

De onderzoekers hebben nu machine learning gebruikt om HEAT aan te vullen, en 3D‑surrogaatmodellen ontwikkeld voor snelle en precieze berekeningen van de warmtebelasting.

De resulterende HEAT‑ML volgt de magnetische veldlijnen vanaf het oppervlak van een component om te zien of ze andere interne delen kruisen. Als de lijn kruist, wordt die plek gemarkeerd als een schaduwrijk gebied, of een magnetische schaduw.

Dit hele proces van het traceren van lijnen en het detecteren waar ze de gedetailleerde 3D‑machine‑geometrie ontmoeten, was echter een aanzienlijke knelpunt dat ongeveer 30 minuten kon duren voor slechts één simulatie. Bij complexe geometrieën kan het nog langer duren.

HEAT‑ML stelde het team in staat deze beperking te overwinnen, waardoor de berekeningen werden versneld tot enkele milliseconden. 

Naar real‑time controle van fusie‑energiecentrales

Het HEAT‑ML‑model gebruikt een diep neuraal netwerk, een vorm van AI met meerdere verborgen lagen die op data wordt toegepast om specifieke taken te leren door patronen te herkennen. In dit geval werd HEAT‑ML getraind op ongeveer 1.000 SPARC‑simulaties van HEAT om schaduwgebieden te identificeren.

Omdat het gekoppeld is aan het specifieke ontwerp van het uitlaatsysteem van SPARC, werkt HEAT‑ML alleen voor dat deel van deze specifieke tokamak.

Dus, momenteel is het een optionele instelling in de HEAT‑code. Maar het team hoopt de mogelijkheden van hun model uit te breiden om de shadow‑mask‑berekeningen te generaliseren voor elk uitlaatsysteem, ongeacht grootte en vorm, evenals andere plasma‑exponerende componenten binnen de tokamak.

De vermogens‑uitlaat, volgens de studie, is een cruciale uitdaging voor de volgende generatie fusietoestellen en vereist innovatieve oplossingen in divertor‑ontwerp en -operatie. De studie merkte op:

“Het uiteindelijke doel is om het model te integreren voor real‑time controle en toekomstige operationele beslissingen.” 

Investeren in nucleaire energie

De tech‑gigant Microsoft Corporation (MSFT ) onderzoekt actief nucleaire energie en de versnelling via AI, omdat het gelooft dat dit deel moet uitmaken van een mix van koolstofvrije energiebronnen. 

Microsoft’s chief sustainability officer, Melanie Nakagawa, heeft fusie een langetermijninzet genoemd en gezegd dat de afgelopen jaren verschillende soorten mijlpalen zijn gehaald door de industrie, wat “veel optimisme heeft gecreëerd dat dit het moment zou kunnen zijn dat fusie daadwerkelijk binnen dit decennium, of bijna dit decennium, naar voren komt.”

Microsoft Corporation (MSFT )

Voor haar fusiedoelstellingen heeft Microsoft in 2023 een baanbrekende overeenkomst gesloten met de private fusie‑startup Helion Energy. Volgens de overeenkomst zal Helion tegen 2028 fusie‑gegenereerde stroom leveren aan Microsoft‑datacenters.

Ook gesteund door de venture‑capital tak van SoftBank en Sam Altman van OpenAI, begon Helion dit jaar met de bouw van haar geplande nucleaire fusie‑energiecentrale genaamd Orion, hoewel de definitieve vergunningen nog niet zijn verkregen. 

Helion’s prototype Polaris werkt momenteel aan een manier om meer energie te genereren dan wat nodig is om de reactie te creëren en te onderhouden. Orion zal, volgens de CEO, ondertussen worden aangesloten op stroomleveringsnetwerken.

Wat betreft Microsoft’s marktprestaties, de aandelen van het bedrijf met een marktkapitalisatie van 3,86 biljoen dollar handelen rond $521, een stijging van 23,41% YTD. Het heeft een EPS (TTM) van 13,64 en een P/E (TTM) van 38,25. Het beschikbare dividendrendement is 0,64%.

Wat betreft de financiën voor het kwartaal eindigend op 30 juni 2025, toonde het een stijging van 18% in omzet tot $76,4 miljard, een sprong van 23% in operationele winst tot $34,3 miljard, en een stijging van 24% in nettowinst tot $27,2 miljard. De verwaterde winst per aandeel bedroeg ondertussen $3,65, een stijging van 24%.

“Cloud en AI zijn de drijvende kracht achter bedrijfstransformatie in elke industrie en sector.”

– CEO Satya Nadella

Laatste Microsoft Corporation (MSFT) aandelen‑nieuws en ontwikkelingen

Conclusie

Een van de meest veelbelovende wegen naar schone energie is fusie, maar de weg naar commercialisatie is lang en zwaar. AI blijkt echter de versneller te zijn die deze eeuwenoude droom eindelijk in de realiteit kan omzetten, binnen ons levenslange tijdsbestek.

Door AI‑gebaseerde benaderingen te gebruiken, werken onderzoekers aan het robuust en economisch haalbaar maken van fusiesystemen. Van het versnellen van onderzoek en oplossen van plasma‑instabiliteiten tot het beschermen van reactorsystemen, AI kan helpen nucleaire energie op het net te brengen en de mensheid toegang te geven tot onbeperkte energie.

Klik hier om te leren hoe de vierde generatie nucleaire energie eruit zou zien.

Referenties:

1. Degrave, J., Felici, F., Buchli, J., et al. Magnetische controle van tokamak‑plasma’s via deep reinforcement learning. Nature, 602(7897), 414–419, gepubliceerd 16 februari 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: Een snelle en differentieerbare tokamak‑transportsimulator in JAX. arXiv preprint arXiv:2406.06718, gepubliceerd 10 juni 2024, laatste revisie 7 december 2024. https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., et al. Het vermijden van fusie‑plasma‑tear‑instabiliteit met deep reinforcement learning. Nature, 626(8001), 746–751, gepubliceerd 21 februari 2024. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez-Fernandez, P., Holland, C., & Candy, J. Voorspelling van prestaties en turbulentie in ITER brandende plasma’s via niet‑lineaire gyrokinetische profielvoorspelling. Nuclear Fusion, 65(1), 016002, gepubliceerd 11 november 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. Voorspellingen van shadow masks in SPARC tokamak plasma‑exponerende componenten met behulp van HEAT‑code en machine‑learning methoden. Fusion Engineering and Design, 217, 115010, gepubliceerd augustus 2025. https://doi.org/10.1016/j.fusengdes.2025.115010