AI kan forutsi og forhindre ustabiliteter i fusjonsreaksjoner

Siden konseptet med kjernefysisk fusjon ble forstått for nesten et århundre siden, har ingeniører og forskere søkt etter måter å skape og utnytte den på. Når vi først oppnår kjernefysisk fusjon i industriell skala, kan den tilby rimelig, sikker, forurensningsfri og praktisk talt ubegrenset energi for å møte den økende etterspørselen.

Hva er kjernefysisk fusjon? Det er en prosess der to eller flere lette atomkjerner smelter sammen til en enkelt, annen og tyngre atomkjerne, og frigjør enorme mengder energi. Interessant nok driver fusjonsreaksjoner solen og stjernene, og gjør livet på jorden mulig.

Imidlertid er det ganske vanskelig å fusjonere to atomer, da det krever en enorm mengde trykk og energi for at de skal overvinne sin gjensidige frastøting. Solen gjør dette gjennom sin massive gravitasjonskraft og svært høye trykk i kjernen.

Nå prøver forskere å bygge sine egne fusjonsreaktorer. Disse fusjonsreaksjonene foregår i plasma, en tilstand av materie. Plasma, en varm, ladet gass bestående av frie negative elektroner og positive ioner, gjør at elektrisk strøm kan flyte gjennom den.

For å gjenskape denne prosessen bruker forskere ekstremt varm plasma og supersterke magneter. Imidlertid kan den superoppvarmede, svært komplekse og uordnede plasmaen miste stabiliteten svært raskt og unnslippe de sterke magnetfeltene som omslutter den i den donut‑formede fusjonsreaktoren, noe som vanligvis signaliserer avslutning av reaksjonen. Disse donut‑formede enhetene er kjent som tokamaker.

Dette utgjør selvfølgelig en kritisk utfordring i utviklingen av fusjon som en ren og ubegrenset energikilde. Et team av datasientister, ingeniører og fysikere fra Princeton University og USAs energidepartementets Princeton Plasma Physics Laboratory (PPPL) bruker kunstig intelligens (AI) til å forutsi dannelsen av et spesifikt plasma‑problem i sanntid for å unngå det.

Ved San Diegos DIII‑D National Fusion Facility, som er et Office of Science‑anlegg drevet av General Atomics for USAs energidepartement (DOE), gjennomførte forskerne sine eksperimenter og demonstrerte sin AI‑modell, som viste seg å kunne forutsi potensielle plasma‑instabiliteter. Kalt tearing‑mode‑instabiliteter, kan disse forutsies av AI godt i forveien, opptil 300 millisekunder. Til sammenligning blunker vi i gjennomsnitt 100–150 millisekunder, ifølge forskere ved UCL.

Selv om det er en ekstremt kort varighet, gir dette AI‑kontrolleren rikelig med tid til å endre spesifikke driftsparametere for å forhindre tearing i plasmaets magnetfeltlinjer som ville forstyrre likevekten og potensielt avslutte reaksjonen.

AI‑modellen ble trent på data fra tidligere forsøk i stedet for å bruke informasjon fra fysikkbaserte modeller. På denne måten kunne «AI utvikle en endelig kontrollpolitikk som støttet et stabilt, høy‑effekt plasma‑regime i sanntid, i en ekte reaktor», sa studielederen Egemen Kolemen, som er forskningsforsker ved PPPL og samtidig førsteamanuensis i maskin‑ og romfartsingeniør ved Andlinger Center for Energy and the Environment.

I motsetning til nåværende tilnærminger gjør dette det mulig med mer dynamisk kontroll av en fusjonsreaksjon og gir videre et grunnlag for å utnytte AI til å finne en løsning på et bredt spekter av plasma‑instabiliteter. Dette er kritisk fordi det har vært en utfordring å oppnå en konstant fusjonsreaksjon over lang tid.

Klikk her for å lære alt om investering i kunstig intelligens (AI).

AI sin økende bruk i fusjonsforskning

Publisert i Nature fokuserer denne studien på å forutsi og unngå tearing‑instabiliteter før de i det hele tatt dukker opp i plasma. Dette gjør den forskjellig fra tidligere tilnærminger, som ifølge Jaemin Seo, studiens forfatter og førsteamanuensis i fysikk ved Sør‑Koreas Chung‑Ang University, vanligvis har jobbet med å dempe eller undertrykke effektene av disse instabilitetene etter at de oppstår. 

Princeton‑teamet taklet tearing‑mode‑instabiliteter, en type forstyrrelse der magnetfeltlinjene ikke klarer å holde plasmaer som overstiger 100 millioner grader Celsius, noe som fører til plasma‑forstyrrelse. Dette er varmere enn solens kjerne. Ifølge Seo:

“Tearing‑mode‑instabiliteter, en av de viktigste årsakene til plasma‑forstyrrelse, vil bare bli enda mer fremtredende når vi prøver å kjøre fusjonsreaksjoner ved de høye kraftnivåene som kreves for å produsere nok energi, og presenterer en stor utfordring som må løses.”

Siden denne typen instabilitet kan dannes og deretter hindre fusjonsreaksjonen på noen få millisekunder, har forskere vendt seg til AI for dens evne til raskt å behandle og reagere på nye data.

Dette var imidlertid ikke første gang AI ble brukt i fusjonsforskning. Faktisk har interessen for maskinlæring og AI økt for å evaluere enorme mengder data som produseres i disse eksperimentene. 

Ved å evaluere treningsdata gjenkjenner AI deretter mønstre og utleder prinsipper fra dem. For eksempel håndterer Wendelstein 7‑X sanntidsdeteksjon av plasma‑likevektstilstanden i stellaratorer, en plasmadevices som er avhengig av eksterne magneter for å innkapsle plasma.

Som Riccardo Betti, hovedforsker ved LLE, og Robert L. McCrory, professor i fysikk‑ og astronomiavdelingen samt maskiningeniøravdelingen, sa:

“Vi har nå en mengde eksperimentelle data som vi kan utnytte med maskinlæring for systematisk å korrigere simuleringene og veilede sanntidsjusteringer av eksperimentene.”

I mellomtiden, i en studie fra 2021, detaljert Diogo Ferreira, professor i informasjonssystemer ved Universitetet i Lissabons Instituto Superior Técnico i Portugal, tre ulike bruksområder for AI‑, ML‑ og DL‑modeller i fusjonsforskning. En av modellene hans forutsier forstyrrelser i en super‑hot plasma, den andre oppdager avvik i plasmaet, og den tredje handler om visuelle representasjoner av plasma‑strålingsmønstre.

Nå arbeider denne siste studien, som støttes av DOE’s Office of Fusion Energy Sciences og National Research Foundation of Korea, med å forhindre fusjon‑plasma tearing‑instabilitet ved hjelp av maskinlæring (ML) underfeltet dyp forsterkende læring (RL). DOE har også gitt finansieringsstøtte til MIT Plasma Science and Fusion Center for å forbedre tilgangen til fusjonsdata.

For å bygge en vellykket kunstig intelligens‑kontroller må Princeton‑teamet bruke data fra tester som ble utført tidligere på DIII‑D tokamak. Et dypt nevralt nettverk ble deretter laget med evnen til å forutsi sannsynligheten for kommende tearing‑instabilitet avhengig av plasmaens egenskaper i sanntid.

Dette, ifølge Azarakhsh Jalalvand, medforfatter av studien og forskningsstipendiat i Kolemens gruppe, var som å lære noen å fly et fly; du ville ikke bare «gi dem en nøkkelbund og be dem prøve sitt beste», men «la dem øve på en svært kompleks flysimulator til de har lært nok til å prøve den virkelige flyvingen».

Teamet trente deretter en forsterkende lærings‑ (RL) algoritme på deres nevrale nettverk, som kan prøve ulike strategier for å kontrollere plasma. Algoritmen lærer gjennom prøving og feiling innenfor sikkerheten i et simulert miljø.

I stedet for å lære den all den komplekse fysikken i en fusjonsreaksjon, fortalte teamet kun forsterkende lærings‑modellen deres mål, som var å opprettholde en høy‑effekt reaksjon samt hva som skulle unngås, dvs. en tearing‑mode‑instabilitet og kontrollparameterne den kan bruke for å oppnå disse resultatene. Over tid lærer modellen den optimale veien for å oppnå høye kraftnivåer samtidig som den unngår straffen av instabilitet.

Etter hvert som modellen gjennomførte utallige simulerte fusjonseksperimenter, observerte teamet og finjusterte handlingene dens fordi noen endringer var for raske. 

“Som mennesker, megle vi mellom hva AI ønsker å gjøre og hva tokamak kan håndtere.”

– SangKyeun Kim, medforfatter av studien & forskningsforsker ved PPPL

Teamet testet AI‑kontrolleren kun under et faktisk fusjonseksperiment etter at de var sikre på dens evner. AI‑kontrolleren foretok deretter sanntidsendringer av enkelte D‑III‑D tokamak‑parametere, inkludert endring av plasmaets form og styrken på strålene som tilfører kraft til reaksjonen for å unngå oppstart av instabilitet.

En universell løsning

Denne siste forskningen, hvis funn ble publisert forrige uke i Nature, presenterer en aktiv tilnærming i motsetning til de «mer passive» nåværende metodene for å forutsi instabiliteter på forhånd, noe som kan gjøre det enklere å kjøre disse reaksjonene. Kim sa:

“Vi trenger ikke lenger å vente på at instabilitetene oppstår og deretter iverksette raske korrigerende tiltak før plasmaet blir forstyrret.”

Denne studien er definitivt et lovende bevis på konseptet som viser hvor effektivt AI kan kontrollere fusjonsreaksjoner. Forskere bemerket imidlertid at Kolemens gruppe allerede jobber med flere neste steg for å fremme fusjonsforskningsfeltet.

Så, selv om det finnes «sterke bevis» på at AI‑kontrolleren fungerer «ganske bra» på DIII‑D tokamak, er fokuset nå å få flere bevis på kontrollerens handling, ha mer data som viser at den også fungerer i ulike situasjoner, og deretter utvide den til å fungere på andre tokamaker.

Men dette er ikke alt. Den nåværende AI‑modellen bruker kun et begrenset antall diagnostikkverktøy som gjør den i stand til å unngå bare én spesifikk type instabilitet. Derfor ønsker forskerne å levere data om andre typer instabiliteter samt gi tilgang til flere kontrollparametere for AI‑kontrolleren å justere. Teamet har derfor som mål å utvide algoritmen til å håndtere flere typer instabiliteter ved å kontrollere mange ulike parametere samtidig.

På denne veien mot å skape mer effektive AI‑kontrollere håper teamet at AI vil få økt klarhet og forståelse av fusjonsreaksjoner og fysikk, og også lære oss mer om alt dette.

Klikk her for å lære hvorfor 2023 var gjennombruddsåret for AI.

Selskaper som arbeider innen AI & fusjonsreaksjon

La oss nå se på noen fremtredende navn i sektoren:

#1. Google 

Tekjgiganten har sine hender i alt, og det inkluderer AI‑forskning og fusjonsenergi. For et par år siden kunngjorde Google‑støttede DeepMind at de hadde trenet et AI‑system for å kontrollere plasma inne i en kjernefysisk fusjonsreaktor. AI‑labben laget et RL‑AI‑system for å kontrollere magneter og endre spenning tusenvis av ganger hvert sekund.

Det $1,75‑billioner‑store selskapet har aksjene sine handlet til $140,38, opp 3 % år‑til‑dato. Google rapporterte inntekter (TTM) på 307,39 mrd og har en EPS (TTM) på 5,80, P/E (TTM) på 24,17, og ROE (TTM) på 27,36 %.

#2. TAE Technologies

Tidligere kjent som Tri Alpha Energy, er det kaliforniske selskapet fokusert på å utvikle fusjonsenergiteknologi. TAE Technologies oppgraderer for tiden sin fusjonsplattform, Norman, til en sjette‑generasjonsmaskin kalt Copernicus. Hvis alt går som planlagt, forventer selskapet å bygge sitt første prototypekraftverk som kan kobles til nettet tidlig på 2030‑tallet, og skalering av dette for å utvikle «robust og pålitelig» kommersiell kraft vil fortsette gjennom tiåret. Fusjon, ifølge administrerende direktør Michl Binderbauer, vil ta oss inn i et «paradigme av overflod».

I 2022 investerte Google og Chevron i TAE Technologies som en del av selskapets kapitalinnhenting på $250 millioner. Google har faktisk vært i partnerskap med TAE i et tiår nå og gir selskapet AI og beregningskraft.

#3. ITER

International Thermonuclear Experimental Reactor er et internasjonalt kjernefysisk fusjonsforsknings‑ og ingeniørmegaprosjekt som har fremmet sin fusjonsforskning og -utvikling med ML og AI.

“Store vitenskapsprosjekter som ITER gir en mengde data som er ideell for AI. De gir oss en unik mulighet til å lære, trene, ekstrapolere og anvende disse ferdighetene i andre produksjonsfelt.”

– María Ortiz de Zúñiga, senior teknisk offiser ved Fusion for Energy

Conclusion

Som vi har diskutert gjennom dette innlegget, har AI potensialet til å transformere ulike aspekter av fusjonsreisen. Imidlertid har nylige teknologiske fremskritt økt håpet om å overvinne de langvarige utfordringene denne industrien står overfor. Ved å utnytte kunstig intelligens sin beregningskraft og mønstergjenkjenningskapasitet, kan vi akselerere utviklingen av fusjonskraft og endelig gjøre en bærekraftig energifremtid til virkelighet.