Mestre fusjon med AI for å låse opp uendelig ren energi

Med fossile brensler som raskt tømmes og klimaendringene som forverres, er vi i kritisk behov for ren energi. 

Mens fornybare energikilder tilbyr et lovende alternativ, har de sine egne utfordringer når det gjelder begrensninger i energilagring, kompleksitet ved nettintegrasjon, høye oppstartskostnader, og den intermitterende naturen til noen kilder som sol og vind. I tillegg medfører arealbruk, politiske barrierer, og behovet for robust infrastruktur også betydelige hindringer. 

Dette er hvor kjernekraft kan endre spillet. Kjernekraft er en form for energi som frigjøres fra kjernen, som er den positivt ladede sentrale kjernen i atomer, bestående av protoner og nøytroner. 

Ifølge International Energy Agency (IEA) står kjernekraft for omtrent 10% av den globale elektrisitetsproduksjonen. 

Men til tross for evnen til å produsere utslippsfri kraft, begrenser store oppstartskostnader, lange leveringstider og en dårlig historikk med rettidig levering adopsjonen av kjernekraft, bemerket IEA. Imidlertid har ny drivkraft rundt om i verden potensialet til å åpne en ny æra for kjernekraft med reaktorer som skal starte kommersiell drift i Kina, Europa, India, Japan og Korea.

Nå finnes det to måter denne energikilden kan produseres på:

• Fusjon
• Fisjon

Fisjon er der kjernene til tunge atomer splittes i mindre. Fusjon er der kjernene til lettere atomer smelter sammen for å danne en tyngre. Begge frigir enorme mengder energi.

Mens kun fisjon for øyeblikket brukes i stor skala for elektrisitetsproduksjon, er vårt fokus i dag på kjernefysisk fusjon.

Fusjon er fortsatt i forsknings- og utviklingsfasen, kjernefysisk fusjon bidrar svært lite til den globale energiproduksjonen, men har enormt potensial for fremtiden. Den er faktisk en av de mest miljøvennlige energikildene, da det ikke er noen karbondioksid eller andre skadelige utslipp under prosessen.

Nullkarbon elektrisitet fra fusjonskraftverk kan også leveres kontinuerlig, uavhengig av vær eller om det er dag eller natt. I motsetning til fisjon skaper fusjon ikke engang potensielt katastrofale nedsmeltinger eller langvarig radioaktivt kjerneavfall.

Ikke bare bidrar ikke fusjon til drivhusgassutslipp (GHG), dens to hovedkilder til drivstoff, hydrogen (for deuterium) og litium (for tritium), er også lett tilgjengelige.

Mot denne bakgrunnen forventes kjernefysisk fusjon å dekke menneskehetens energibehov i millioner av år, og dette har land over hele verden som aktivt arbeider for å gjøre det til virkelighet. 

Hindringer mellom kjernekraftvisjon og virkelighet

Det var i 1915 at konseptet med kjernefysisk fusjon først ble foreslått av den amerikanske kjemikeren William Draper Harkins. Men vi har ennå ikke oppnådd det på en meningsfull måte. 

Fusjonsreaksjoner utgjør faktisk den grunnleggende energikilden til stjerner, inkludert den gigantiske ballen av varm gass, solen. Det er prosessen kalt termonukleær fusjon som har holdt solen og stjernene lyse i millioner av år.

I termonukleær fusjon kombineres atomkjerner ved ekstremt høye temperaturer, ti til hundre millioner grader Celsius, noe som gir nok energi til å overvinne den gjensidige elektriske frastøtningen mellom to kjerner. De smelter deretter sammen til en enkelt kjerne og frigjør betydelig energi.

Solens massive gravitasjonskraft spiller en nøkkelrolle her, da den skaper ekstremt trykk, varme og forholdene for fusjon. Uten gravitasjon ville solen ikke vært varm og tett nok til at fusjon kunne skje. 

Å skape kjernefysisk fusjon på jorden uten de enorme gravitasjonsnivåene betyr å sette lette isotoper inn i en reaktor og deretter varme dem opp til hundrevis av millioner av grader Celsius, noe som gjør dem til en ionisert ‘plasma’.

Plasma er en ladet gass bestående av positive ioner og fritt bevegelige elektroner. Det er ekstremt varmt og vanskelig å kontrollere, og krever et magnetfelt for å hindre at det slipper ut.

Forskere har klart å rutinemessig oppnå betingelser for kjernefysisk fusjon, men plasma-stabilitet og forbedrede innkapslings-egenskaper er ennå ikke oppnådd for å opprettholde reaksjonen og produsere energi på en vedvarende måte.

For eksempel, sent i 2022, et fler milliarder dollar fusjonseksperiment klarte endelig å få en liten isotopprøve til å frigjøre mer energi enn laserenergien som ble brukt til å antenne den, men den varte bare omtrent en tidel av et nanosekund.

Så er kjernefysisk fusjon en svært utfordrende prosess som krever ekstreme forhold med høye temperaturer og intens trykk.

Deretter er det behov for å stabilisere plasmaet, forhindre at det berører reaktorsveggene, og minimere varmetap, noe som gjør det vanskelig å opprettholde reaksjonen. Når det gjelder ingeniørkunst, trenger vi store, kraftige supraledende magneter for å innkapsle plasmaet i tokamaker, en vanlig type donutformet fusjonsreaktor, og avanserte vakuumsystemer for å oppnå og opprettholde de ekstremt lave trykkene.

I tillegg trenger vi materialer som kan tåle høye temperaturer, høye varmestrømmer og intens nøytronstråling. For å takle disse utfordringene vender forskere seg til kunstig intelligens (AI). 

AI spiller en stadig viktigere rolle i å akselerere forskning og utvikling av kjernefysisk fusjon. Ved å utnytte maskinlæring og andre AI-algoritmer optimaliserer forskere reaktordesign, finner og korrigerer grunnleggende målefeil, akselererer materialoppdagelse, forutsier og forhindrer plasmaforstyrrelser, kontrollerer plasmaets tilstand, og forbedrer effektiviteten og stabiliteten til fusjonsreaksjoner.

Ved å håndtere enorme mengder kompleks data og det intrikate forholdet mellom ulike aspekter av fusjonsprosessen, kan AI ytterligere forbedre vår forståelse av den, akselerere utviklingen av nye reaktordesign, og betydelig redusere utviklingstidslinjer, og bane vei for kommersialisering av kjernekraft.

AI hjelper med å overvinne de fysiske barrierene for fusjon

AI transformerer raskt industrier, inkludert energisektoren, hvor den hjelper med å løse den globale energikrisen ved å oppnå karbonfri, ubegrenset kjernekraft. 

I den forbindelse benyttet Google DeepMind dypt forsterkningslæring (RL) for å kontrollere plasmaet¹ i en tokamak og nøyaktig forme det til ulike former. For å utvikle RL-systemet samarbeidet de med Swiss Plasma Center ved EPFL. Systemet oppdager autonomt hvordan man kan kontrollere de magnetiske spolene rundt en tokamak og holde plasmaet i den.

I fjor lanserte selskapet også en plasmasimulator kalt TORAX², som modellerer plasmaens «kjerne» og deretter forutsier endringer i temperatur, tetthet og elektrisk strøm. 

Tidligere i fjor brukte et team ved Princeton University også RL for å forutsi den ledende formen for forstyrrelser i fusjonsplasma opptil 300 millisekunder før de oppstår. Kjent som «tearingsmodus-instabiliteter», oppstår den når magnetfeltlinjene i et plasma brytes, slik at det kan slippe ut og dermed stoppe fusjonsprosessen. 

Disse instabilitetene forventes å «bli enda mer fremtredende når vi prøver å kjøre fusjonsreaksjoner ved de høye kraftnivåene som kreves for å produsere nok energi», sa førsteforfatter Jaemin Seo, assisterende professor i fysikk ved Sør-Koreas Chung-Ang University. «De er en viktig utfordring for oss å løse.»

Deres AI-modell forutsier potensielle tearingsmodus-instabiliteter på forhånd³ og gjør deretter endringer i visse driftsparametere for å unngå tearings i plasmaets magnetfeltlinjer.

Modellen, trent på tidligere eksperimentelle data, får et mål om å opprettholde en høy-energireaksjon, sammen med betingelser å unngå, som tearingsmodus-instabilitet, og de innstillingene den kan justere for å oppnå disse resultatene. Over tid «lærer» AI-modellen den optimale veien for å opprettholde høy-energi-målet mens den unngår instabilitet.

«Ved å lære fra tidligere eksperimenter, i stedet for å innlemme informasjon fra fysikkbaserte modeller, kunne AI utvikle en endelig kontrollpolitikk som støttet et stabilt, høy-energiregime i sanntid, i en virkelig reaktor.»

– Forskningsleder Egemen Kolemen

Mens modellen kjørte utallige simulerte fusjonseksperimenter for å finne veier, observerte teamet i bakgrunnen dens «intensjoner» og finjusterte handlinger, og fungerte som en megler «mellom hva AI ønsker å gjøre og hva tokamak kan romme».

Teamet av ingeniører, fysikere og datascientister testet og demonstrerte modellen i eksperimenter ved DIII-D National Fusion Facility i San Diego.

Deretter, tidligere i år, ble et forskningspapir med tittelen «Prediction of Performance and Turbulence in ITER Burning Plasmas via Nonlinear Gyrokinetic Profile Prediction»⁴ publisert av Nathan Howard, hovedforsker ved MIT Plasma Science and Fusion Center (PSFC).

Howard og teamet hans brukte maskinlæring og simuleringer for å forutsi hvordan plasma vil oppføre seg i en fusjonsenhet. 

«I papiret forklarte de at høyoppløselige simuleringer av turbulens bekrefter at ITER-tokamak, verdens største eksperimentelle fusjonsenhet som for tiden er under bygging i Sør-Frankrike, vil fungere som forventet når den begynner drift, noe som ikke vil skje før tidligst 2035.

For å verifisere scenariet brukte teamet CGYRO, et tidskrevende program som anvender en kompleks plasmafysikkmodell på bestemte driftsforhold for å produsere detaljerte simuleringer av plasmaatferd på ulike steder innen en fusjonsenhet.

Simuleringene ble deretter kjørt gjennom PORTALS-rammeverket, som tar de høyoppløselige kjøringene og bruker maskinlæring til å bygge en «surrogat», en modell som «kan etterligne resultatene fra de mer komplekse kjøringene, men mye raskere».

Høyoppløselige modelleringsverktøy som PORTALS, bemerket forskerne, gir «et glimt inn i plasmaets kjerne før den engang dannes. Denne prediksjonsførste tilnærmingen gjør at vi kan skape mer effektive plasmaer i en enhet som ITER.»

Teamet demonstrerte også ulike driftsoppsett hvor samme mengde energiproduksjon kan oppnås men med mindre energiinntak.

Swipe to scroll →

Kartlegging av fusjonsskygger med HEAT-ML 

En ny AI-tilnærming blir nå brukt for å beskytte innsiden av fusjonsreaktorer mot den ekstreme varmen fra plasma. Denne nye metoden akselererer beregningshastigheten som kreves for å finne «magnetiske skygger» i fusjonscontainere.

Disse skyggene er trygge havner som er beskyttet fra den intense plasmavarmen.

Varmeutfordringen inne i Tokamak

Som vi forklarte ovenfor, når plasmaet er innkapslet i tokamak ved hjelp av magnetfelt, når varmen fra plasmaet en temperatur som er enda varmere enn solens kjerne. For å utnytte fusjon må denne varmen kontrolleres.

«Komponentene i tokamak som vender mot plasmaet kan komme i kontakt med plasmaet, som er veldig varmt og kan smelte eller skade disse elementene. Det verste som kan skje er at du må stoppe driften.»

Så, for å overvinne dette problemet, bruker forskerne AI som kan akselerere beregningene som forutsier nøyaktig hvor varmen vil treffe i tokamak.

Ved å betydelig akselerere HEAT-beregningene gjør modellen det mulig med sanntidsapplikasjoner for divertorbeskyttelse og kontrollhandlinger.

Et samarbeid for å drive fusjonsinnovasjon

Et offentlig-privat partnerskap mellom PPL, USAs energidepartement (DOE) Oak Ridge National Laboratory, og fusjonskraftselskapet Commonwealth Fusion Systems (CFS), som er en avlegger av MIT og har som mål å bygge et lite fusjonskraftverk basert på ARC-tokamakdesignen, førte til denne nye AI-tilnærmingen kalt HEAT-ML.

Den maskinlæringsbaserte surrogatmodellen (HEAT-ML) er detaljert i den siste studien med tittelen “Shadow masks predictions in SPARC tokamak plasma-facing components using HEAT code and machine learning methods.”⁵

HEAT-ML har som mål å legge grunnlaget for programvare som kan akselerere designet av fremtidige fusjonssystemer, samt forhindre problemer før de oppstår ved å justere plasmaet, noe som muliggjør gode beslutninger.

«Denne forskningen viser at du kan ta en eksisterende kode og lage en AI-surrogat som vil akselerere evnen din til å få nyttige svar, og den åpner interessante muligheter innen kontroll og scenarioplanlegging.»

– Medforfatter av artikkelen, Michael Churchill, som er leder for digital engineering ved PPPL.

Kartlegging av magnetiske skygger for å beskytte materialer

HEAT-ML har blitt spesielt laget for å simulere en liten del av SPARC.

SPARC er en tokamak som for tiden er under utvikling av CFS i samarbeid med MIT PSFC. Den er planlagt å starte drift neste år og har som mål å demonstrere netto energigevinst, ved å generere mer energi enn den forbruker innen 2027.

For å oppnå dette simulerer forskerne hvordan varmen påvirker innsiden av denne tokamaken.

En stor beregningsutfordring gjør forskerne håndterbar ved å fokusere på SPARC-seksjonen, hvor intensiteten av plasmaets varmestrøm møter materialveggen. Det er 15 fliser rundt basen av maskinen, som er den delen hvor eksossystemet vil være mest utsatt for varme.

For å lage denne simuleringen laget teamet skygge-maske, som er 3D-kart over magnetiske skygger. Disse kartene er spesifikke områder på overflatene av et fusjonssystems interne komponenter som er beskyttet mot direkte varme. Deres posisjon avhenger av formen på delene inne i tokamaken samt hvordan de samhandler med magnetfeltlinjene som innkapsler plasmaet.

Akselerere simuleringer fra minutter til millisekunder

Skygge-maskene ble opprinnelig beregnet ved hjelp av det åpne kildekodeprogrammet kalt HEAT, eller Heat flux Engineering Analysis Toolkit.

Bygget av Tom Looby fra CFS i samarbeid med lederen for SPARC Diagnostic Team, Matt Reinke, ble dette programmet først anvendt på eksossystemet for PPPLs sfæriske tokamak kalt National Spherical Torus Experiment-Upgrade (NSTX-U), som er designet for å være den kraftigste i verden.

Forskerne har nå brukt maskinlæring for å supplere HEAT, og utviklet 3D-surrogatmodeller for raske og presise beregninger av varmelast.

Den resulterende HEAT-ML følger magnetfeltlinjene fra en komponentens overflate for å se om de krysser andre interne deler. Hvis linjen krysser, blir det punktet merket som et skyggelagt område, eller en magnetisk skygge.

Hele denne prosessen med å spore linjer og oppdage nøyaktig hvor de møter den detaljerte 3D-maskingeometrien var imidlertid en betydelig flaskehals som kunne ta omtrent 30 minutter for bare én simulering. Hvis det er komplekse geometrier involvert, kan det ta enda lenger.

HEAT-ML gjorde det mulig for teamet å overvinne denne begrensningen, og akselererte beregningene til kun millisekunder. 

Mot sanntidskontroll av fusjonskraftverk

HEAT-ML-modellen bruker et dypt nevralt nettverk, en form for AI med flere skjulte lag anvendt på data for å lære spesifikke oppgaver ved å gjenkjenne mønstre. I dette tilfellet ble HEAT-ML trent på omtrent 1 000 SPARC-simuleringer fra HEAT for å identifisere skyggeområder.

Fordi den er knyttet til det spesifikke designet av SPARC’s eksossystem, fungerer HEAT-ML kun for den delen av denne spesifikke tokamaken.

Så, for øyeblikket er det en valgfri innstilling i HEAT-koden. Men teamet håper å utvide modellens evner til å generalisere skygge-maske-beregningene for alle eksossystemer, uavhengig av størrelse og form, samt andre plasma-eksponerte komponenter inne i tokamaken.

Kraftutslippet, ifølge studien, er en kritisk utfordring for neste generasjon av fusjonsenheter og krever innovative løsninger i divertor-design og drift. Studien bemerket:

«Det ultimate målet er å integrere modellen for sanntidskontroll og fremtidige driftsbeslutninger.» 

Investere i kjernekraft

Teknologigiganten Microsoft Corporation (MSFT ) er aktivt i ferd med å utforske kjernekraft og dens akselerasjon via AI, da de tror det bør være en del av en blanding av karbonfrie energikilder. 

Microsofts chief sustainability officer, Melanie Nakagawa, har kalt fusjon en langsiktig innsats og sagt at i løpet av de siste årene har ulike typer milepæler blitt nådd av industrien, noe som har skapt «mye optimisme for at dette kan være øyeblikket da fusjon faktisk kommer frem i dette tiåret, eller nær dette tiåret». 

Microsoft Corporation (MSFT )

For sine fusjonsmål signerte Microsoft en banebrytende avtale med den private fusjonsoppstarten Helion Energy tilbake i 2023. I henhold til avtalen vil Helion levere fusjonsgenerert kraft til Microsofts datasentre innen 2028.

Også støttet av SoftBanks venturekapitalarm og OpenAIs Sam Altman, begynte Helion byggingen av sitt planlagte kjernefysiske fusjonskraftverk kalt Orion i år, selv om endelige tillatelser ennå ikke er sikret. 

Helions prototype Polaris arbeider for tiden med å finne en måte å generere mer energi enn det som kreves for å skape og opprettholde reaksjonen. Orion, derimot, vil ifølge administrerende direktør kobles til strømleveringsnettverk.

Når det gjelder Microsofts markedsytelse, handles selskapets aksjer med en markedsverdi på 3,86 billioner dollar rundt $521, opp 23,41 % år‑til‑dato. Den har en EPS (TTM) på 13,64 og en P/E (TTM) på 38,25. Utbytteavkastningen er 0,64 %.

Når det gjelder finansresultatene for kvartalet som endte 30. juni 2025, viste de en 18 % økning i inntektene til $76,4 milliarder, en 23 % økning i driftsresultatet til $34,3 milliarder, og en 24 % økning i nettoinntekten til $27,2 milliarder. Fortynnet resultat per aksje var $3,65, opp 24 %.

«Skyen og AI er drivkraften bak forretningstransformasjon på tvers av alle industrier og sektorer.»

– administrerende direktør Satya Nadella

Siste Microsoft Corporation (MSFT) aksjenyheter og utviklinger

Konklusjon

En av de mest lovende veiene til ren energi er fusjon, men veien til kommersialisering er lang og krevende. AI viser seg imidlertid å være akseleratoren som endelig kan gjøre denne århundregamle drømmen til virkelighet, godt innenfor vår levetid.

Ved å bruke AI-baserte tilnærminger, arbeider forskere med å gjøre fusjonssystemer robuste og økonomisk levedyktige. Fra å akselerere forskning og løse plasma-instabiliteter til å beskytte reaktorsystemer, kan AI bidra til å bringe kjernekraft til strømnettet og la menneskeheten få tilgang til ubegrenset kraft.

Klikk her for å lære hvordan den fjerde generasjonen av kjernekraft vil se ut.

Referanser:

1. Degrave, J., Felici, F., Buchli, J., et al. Magnetisk kontroll av tokamak-plasmaer gjennom dyp forsterkningslæring. Nature, 602(7897), 414–419, publisert 16. februar 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: En rask og differensierbar tokamak-transportsimulator i JAX. arXiv preprint arXiv:2406.06718, publisert 10. juni 2024, sist revidert 7. desember 2024. https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., et al. Unngå fusjonspasma tearings-instabilitet med dyp forsterkningslæring. Nature, 626(8001), 746–751, publisert 21. februar 2024. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez-Fernandez, P., Holland, C., & Candy, J. Forutsigelse av ytelse og turbulens i ITER brennende plasmaer via ikke-lineær gyrokinetisk profilforutsigelse. Nuclear Fusion, 65(1), 016002, publisert 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. Forutsigelser av skygge-maske i SPARC tokamak plasma-eksponerte komponenter ved bruk av HEAT-kode og maskinlæringsmetoder. Fusion Engineering and Design, 217, 115010, publisert august 2025. https://doi.org/10.1016/j.fusengdes.2025.115010