AI kan förutsäga och förhindra instabiliteter i fusionsreaktioner

Sedan konceptet för kärnfusion förstodes för nästan ett sekel sedan, har ingenjörer och forskare sökt efter sätt att skapa och utnyttja den. När vi väl uppnår kärnfusion i industriell skala kan den erbjuda prisvärd, säker, icke‑förorenande och praktiskt taget obegränsad energi för att möta den ökande efterfrågan.

Vad är kärnfusion? Det är en process där två eller fler lätta atomkärnor förenas för att bilda en enda, annan och tyngre atomkärna, vilket frigör enorma mängder energi. Intressant nog driver fusionsreaktioner solen och stjärnorna, vilket gör livet på jorden möjligt.

Att förena två atomer är dock ganska svårt, eftersom det kräver en enorm mängd tryck och energi för att övervinna deras ömsesidiga repulsion. Solen gör detta genom sin massiva gravitationskraft och mycket höga tryck i dess kärna.

Nu försöker forskare bygga egna fusionsreaktorer. Dessa fusionsreaktioner sker i plasma, ett materietillstånd. Plasma, en het, laddad gas bestående av fria negativa elektroner och positiva joner, möjliggör att elektrisk ström kan flöda genom den.

För att återskapa denna process använder forskare extremt het plasma och supersnära magneter. Men den superupphettade, mycket komplexa och oordnade plasma kan snabbt förlora sin stabilitet och undkomma de starka magnetiska fälten som omsluter den i den donutformade fusionsreaktorn, vilket vanligtvis signalerar reaktionens avslutning. Dessa donutformade anordningar kallas tokamaker.

Detta utgör naturligtvis en kritisk utmaning för att utveckla fusion som en ren och obegränsad energikälla. Ett team av datavetare, ingenjörer och fysiker från Princeton University och USA:s energidepartementets Princeton Plasma Physics Laboratory (PPPL) använder artificiell intelligens (AI) för att förutsäga bildandet av ett specifikt plasma‑problem i realtid för att undvika det.

Vid San Diegos DIII‑D National Fusion Facility, som är ett Office of Science‑projekt som drivs av General Atomics för USA:s energidepartement (DOE), genomförde forskarna sina experiment och demonstrerade sin AI‑modell, som visade sig kunna förutsäga potentiella plasma‑instabiliteter. De så kallade tearing‑mode‑instabiliteterna kan förutsägas av AI långt i förväg, upp till 300 millisekunder. För jämförelse blinkar vi i genomsnitt 100–150 millisekunder, enligt forskare vid UCL.

Trots den extremt korta varaktigheten ger detta AI‑kontrollen gott om tid att ändra specifika driftsparametrar för att förhindra tearing i plasmaens magnetfältlinjer, vilket skulle rubba jämvikten och potentiellt avsluta reaktionen.

AI‑modellen tränades på data från tidigare försök istället för att använda information från fysikbaserade modeller. På så sätt kunde ”AI:n utveckla en slutgiltig styrpolicy som stödde ett stabilt, högpresterande plasmaregi i realtid, i en riktig reaktor,” sade studiens ledare Egemen Kolemen, som är forskningsfysiker på PPPL samt docent i maskin‑ och rymdteknik vid Andlinger Center for Energy and the Environment.

Till skillnad från nuvarande metoder möjliggör detta en mer dynamisk kontroll av en fusionsreaktion och ger dessutom en grund för att utnyttja AI för att hitta en lösning på ett brett spektrum av plasma‑instabiliteter. Detta är kritiskt eftersom det länge har varit en utmaning att uppnå en konstant fusionsreaktion.

Klicka här för att lära dig allt om investering i artificiell intelligens (AI).

AI:s växande användning i fusionsforskning

Publicerad i Nature fokuserar denna studie på att förutsäga och undvika tearing‑instabiliteter innan de ens uppträder i plasma. Detta skiljer den från tidigare metoder, som enligt Jaemin Seo, studiens författare och assisterande professor i fysik vid Sydkoreas Chung‑Ang University, vanligtvis har arbetat med att mildra eller dämpa effekterna av dessa instabiliteter efter att de inträffat. 

Princeton‑teamet tog itu med tearing‑mode‑instabiliteter, en typ av störning där magnetfältlinjerna misslyckas med att hålla plasma som överstiger 100 miljoner grader Celsius, vilket leder till plasma‑störning. Detta är varmare än solens kärna. Enligt Seo:

“Tearing‑mode‑instabiliteter, en av de största orsakerna till plasma‑störning, kommer bara att bli ännu mer framträdande när vi försöker driva fusionsreaktioner med den höga effekt som krävs för att producera tillräckligt med energi, vilket utgör en stor utmaning som måste lösas.”

Eftersom denna typ av instabilitet kan bildas och sedan hindra fusionsreaktionen på några millisekunder, har forskare vänt sig till AI för dess förmåga att snabbt bearbeta och agera på ny data.

Detta var dock inte första gången AI utnyttjades i fusionsforskning. Faktum är att intresset för maskininlärning och AI för att utvärdera enorma mängder data från dessa experiment har ökat.

När AI utvärderar träningsdata känner den igen mönster och härleder principer från dem. Till exempel hanterar Wendelstein 7‑X live‑detektering av plasma‑jämviktstillstånd i stellaratorer, en plasmavärld som är beroende av externa magneter för att hålla plasma.

Som Riccardo Betti, chefsforskare vid LLE, och Robert L. McCrory, professor i fysik‑ och astronomiavdelningen samt maskinteknikavdelningen, sade:

“Vi har nu en rikedom av experimentdata som vi kan utnyttja med maskininlärning för att systematiskt korrigera simuleringarna och vägleda realtidsjusteringar av experimenten.”

Under tiden, i en studie 2021 detaljerade Diogo Ferreira, professor i informationssystem vid University of Lisbon’s Instituto Superior Técnico i Portugal, tre olika användningsområden för AI‑, ML‑ och DL‑modeller för fusionsforskning. En av hans modeller förutsäger störningar i en superhet plasma, den andra upptäcker avvikelser i plasma, och den tredje handlar om visuella representationer av plasma‑strålningsmönster.

Denna senaste studie, som stöds av DOE:s Office of Fusion Energy Sciences och National Research (NRC ) Foundation of Korea, arbetar med att förhindra fusionsplasma‑tearing‑instabilitet med hjälp av maskininlärning (ML) underfältet djup förstärkningsinlärning (RL). DOE har också gett finansieringsstöd till MIT Plasma Science and Fusion Center för att förbättra tillgången till fusionsdata.

För att bygga en framgångsrik artificiell intelligens‑kontroller måste Princeton‑teamet använda data från tidigare tester på DIII‑D‑tokamaken. Ett djupt neuralt nätverk skapades sedan med förmågan att förutsäga sannolikheten för kommande tearing‑instabilitet beroende på plasma‑karakteristiker i realtid.

Enligt Azarakhsh Jalalvand, studiens medförfattare och forskningsstipendiat i Kolemens grupp, var detta som att lära någon att flyga ett flygplan; du skulle inte bara ”ge dem en nyckel och säga att de ska göra sitt bästa”, utan ”låta dem öva på en mycket avancerad flygsimulator tills de har lärt sig tillräckligt för att prova på riktigt.”

Teamet tränade sedan en förstärkningsinlärnings‑algoritm (RL) på sitt neurala nätverk, som kan testa olika strategier för att kontrollera plasma. Algoritmen lär sig genom trial‑and‑error i en säker simulerad miljö.

Istället för att lära den all den komplexa fysiken i en fusionsreaktion, berättade teamet bara för förstärkningsinlärningsmodellen vad deras mål var: att upprätthålla en högpresterande reaktion samt vad som ska undvikas, dvs. en tearing‑mode‑instabilitet och de reglage som kan användas för att uppnå dessa resultat. Med tiden lär sig modellen den optimala vägen för att nå höga effektnivåer samtidigt som den undviker straffet av instabilitet.

När modellen körde igenom otaliga simulerade fusionsexperiment observerade teamet och förfinade dess handlingar eftersom vissa förändringar var för snabba. 

“Som människor medlar vi mellan vad AI vill göra och vad tokamaken kan hantera.”

– SangKyeun Kim, medförfattare till studien & personalforskare vid PPPL

Teamet testade AI‑kontrollen endast under ett faktiskt fusionsexperiment när de var säkra på dess förmåga. AI‑kontrollen gjorde sedan realtidsändringar av vissa D‑III‑D‑tokamak‑parametrar, inklusive att ändra plasmaens form och styrkan på de strålar som levererar kraft till reaktionen för att undvika att instabiliteten uppstår.

En universell lösning

Denna senaste forskningen, vars resultat publicerades förra veckan i Nature, presenterar ett aktivt tillvägagångssätt i motsats till de ”mer passiva” nuvarande metoderna för att förutsäga instabiliteter i förväg, vilket kan göra det lättare att driva dessa reaktioner. Kim sade:

“Vi behöver inte längre vänta på att instabiliteterna inträffar och sedan vidta snabba korrigerande åtgärder innan plasma blir störd.”

Denna studie är utan tvekan ett lovande proof‑of‑concept som visar hur AI effektivt kan kontrollera fusionsreaktioner. Forskare noterade dock att Kolemens grupp redan arbetar med flera nästa steg för att driva fusionsforskning framåt. 

Så, även om det finns ”starka bevis” på att AI‑kontrollen fungerar ”ganska bra” på DIII‑D‑tokamaken, är fokus nu att få fler bevis på kontrollens funktion i praktiken, samla mer data som visar att den även fungerar i olika situationer, och sedan expandera den till att fungera på andra tokamaker. 

Men det är inte allt. Den nuvarande AI‑modellen använder bara ett begränsat antal diagnostikverktyg som gör det möjligt att undvika endast en specifik typ av instabilitet. Därför vill forskarna tillhandahålla data om andra typer av instabiliteter samt ge tillgång till fler reglage för AI‑kontrollen att justera. Således syftar teamet till att expandera sin algoritm för att hantera flera typer av instabiliteter genom att kontrollera många olika reglage samtidigt.

På vägen mot att skapa mer effektiva AI‑kontroller hoppas teamet att AI:n får ökad klarhet och förståelse för fusionsreaktioner och fysik och även lär oss mer om allt detta.

Klicka här för att lära dig varför 2023 var genombrottsåret för AI.

Företag som arbetar inom AI & fusionsreaktion

Låt oss nu titta på några framstående namn inom sektorn:

#1. Google 

Techjätten har sina händer i varje paj, och det inkluderar AI‑forskning och fusionsenergi. För ett par år sedan meddelade Google‑stödda DeepMind att de hade tränade ett AI‑system för att kontrollera plasma i en kärnfusionsreaktor. AI‑labbet skapade ett RL‑AI‑system för att kontrollera magneter och ändra spänning tusentals gånger varje sekund.

Det $1,75 biljoner stora företaget har sina aktier handlande till $140,38, upp 3 % år‑till‑datum. Google rapporterade intäkter (TTM) på 307,39 mrd och har en EPS (TTM) på 5,80, P/E (TTM) på 24,17 och ROE (TTM) på 27,36 %.

#2. TAE Technologies

Tidigare känd som Tri Alpha Energy är det kaliforniska företaget fokuserat på att utveckla fusionsenergiteknik. TAE Technologies uppgraderar för närvarande sin fusionsplattform, Norman, till en sjätte‑generationsmaskin som heter Copernicus. Om allt går smidigt förväntar sig företaget att bygga sitt första prototyparkverk som kan anslutas till elnätet i början av 2030‑talet, och att skala upp detta för att utveckla ”robusta och pålitliga” kommersiella kraftverk skulle fortsätta genom decenniet. Fusion, enligt VD Michl Binderbauer, skulle föra oss in i ett ”överflödets paradigm”.

År 2022 investerade Google och Chevron (CVX ) i TAE Technologies som en del av företagets finansieringsrunda på $250 miljoner. Google har faktiskt samarbetat med TAE i ett decennium och förser företaget med AI och beräkningskraft. 

#3. ITER

International Thermonuclear Experimental Reactor är ett internationellt forsknings‑ och ingenjörsmegaprojekt för kärnfusion som har drivit sin fusionsforskning och utveckling framåt med maskininlärning (ML) och AI.

“Stora vetenskapsprojekt som ITER erbjuder en rikedom av data som är idealisk för AI. De ger oss en unik möjlighet att lära, träna, extrapolera och tillämpa dessa färdigheter i andra tillverkningsområden.”

– María Ortiz de Zúñiga, senior teknisk officer vid Fusion for Energy

Slutsats

Som vi har diskuterat genom hela artikeln har AI potentialen att förändra olika aspekter av fusionsresan. De senaste tekniska framstegen har dock väckt förhoppningar om att övervinna de långvariga utmaningarna som branschen står inför. Genom att utnyttja artificiell intelligens beräkningskraft och förmåga att känna igen mönster kan vi påskynda utvecklingen av fusionskraft och äntligen göra en hållbar energiframtid till verklighet.