Bemästra fusion med AI för att låsa upp oändlig ren energi

Med fossila bränslen som snabbt tar slut och klimatförändringarna som förvärras, befinner vi oss i ett kritiskt behov av ren energi. 

Medan förnybara energikällor erbjuder ett lovande alternativ, har de sina egna utmaningar när det gäller begränsningar i energilagring, komplexitet i nätintegrering, höga initiala kostnader, och den intermittenta naturen hos vissa källor som sol och vind. Dessutom utgör markanvändning, politiska hinder och behovet av robust infrastruktur betydande hinder. 

Det är här kärnenergi kan förändra spelet. Kärnenergi är en form av energi som frigörs från kärnan, som är atomens positivt laddade centrala kärna, bestående av protoner och neutroner. 

Enligt Internationella energirådet (IEA) står kärnkraft för ungefär 10% av den globala elproduktionen. 

Men trots dess förmåga att producera utsläppsfri energi begränsar stora initiala kostnader, långa ledtider och en dålig historik av leveranser i tid antagandet av kärnenergi, noterade IEA. Däremot har den nya drivkraften världen över potentialen att öppna en ny era för kärnenergi med reaktorer som ska börja kommersiell drift i Kina, Europa, Indien, Japan och Korea.

Nu finns det två sätt som denna energikälla kan produceras:

• Fusion
• Fission

Fission är processen där tunga atomkärnor delas upp i mindre. Fusion är processen där lättare atomkärnor smälter samman för att bilda en tyngre. Båda frigör enorma mängder energi.

Medan endast fission för närvarande används i stor skala för elproduktion, är vårt fokus idag på kärnfusion.

Ännu i forsknings- och utvecklingsfasen bidrar kärnfusion mycket lite till den globala energiproduktionen, men den har enorm potential för framtiden. Den är faktiskt en av de mest miljövänliga energikällorna, eftersom det inte finns något koldioxid eller andra skadliga utsläpp under processen.

Koldioxidfri el från fusionskraftverk kan också flöda kontinuerligt, oavsett väder eller om det är dag eller natt. Till skillnad från fission skapar fusion inte ens några potentiellt katastrofala smältningar eller långlivade radioaktiva kärnavfall.

Inte bara bidrar fusion inte till växthusgasutsläpp (GHG), dess två huvudbränslen, väte (för deuterium) och litium (för tritium), är också allmänt tillgängliga.

Mot denna bakgrund förväntas kärnfusion uppfylla mänsklighetens energibehov i miljontals år, och det har länder runt om i världen aktivt arbetande för att göra den till verklighet. 

Hinder mellan kärnenergiens vision och verklighet

Det var 1915 som konceptet för kärnfusion först föreslogs av den amerikanske kemisten William Draper Harkins. Men vi har ännu inte uppnått det på ett meningsfullt sätt. 

Fusionsreaktioner utgör faktiskt den grundläggande energikällan för stjärnor, inklusive den enorma bollen av het gas, solen. Det är processen som kallas termonukleär fusion som har hållit solen och stjärnorna lysande i miljontals år.

I termonukleär fusion kombineras atomkärnor vid extremt höga temperaturer, tio till hundra miljoner grader Celsius, vilket ger tillräckligt med energi för att övervinna den ömsesidiga elektriska repulsionen mellan två kärnor. De smälter sedan samman till en enda kärna och frigör betydande energi.

Solens massiva gravitationskraft spelar en nyckelroll här, eftersom den skapar extremt tryck, värme och förhållanden för fusion. Utan gravitation skulle solen inte vara tillräckligt het och tät för att fusion skulle kunna ske. 

Nu, för att skapa kärnfusion på jorden utan de krossande nivåerna av gravitation, innebär det att placera lätta isotoper i en reaktor och sedan värma dem till hundratals miljoner grader Celsius, vilket förvandlar dem till ett joniserat ”plasma”.

Plasma är en laddad gas bestående av positiva joner och fritt rörliga elektroner. Det är extremt hett och svårt att kontrollera, vilket kräver ett magnetiskt fält för att förhindra att det flyr.

Forskare har kunnat uppnå förhållanden för kärnfusion rutinmässigt, men plasmastabilitet och förbättrade inneslutningsegenskaper är ännu inte uppnådda för att upprätthålla reaktionen och producera energi på ett hållbart sätt.

Till exempel, i slutet av 2022, ett multimiljard-dollar fusionsexperiment fick slutligen ett litet isotopsprov att frigöra mer energi än den laserenergi som användes för att antända det, men det varade bara ungefär en tiondel av en nanosekund.

Så, kärnfusion är en mycket utmanande process, som kräver extrema förhållanden av höga temperaturer och intensivt tryck.

Sedan finns behovet av att stabilisera plasma, förhindra att den rör vid reaktorsväggarna, och minimera värmeförluster, vilket gör det svårt att upprätthålla reaktionen. Ur ett ingenjörsperspektiv behöver vi stora, kraftfulla supraledande magneter för att innesluta plasma i tokamaker, en vanlig typ av donutformad fusionsreaktor, och avancerade vakuumsystem för att uppnå och upprätthålla de extremt låga trycken.

Dessutom behöver vi material som kan stå emot höga temperaturer, hög värmeflöde och intensiv neutronstrålning. För att tackla dessa utmaningar vänder sig forskare till artificiell intelligens (AI). 

AI spelar en allt viktigare roll i att påskynda forskning och utveckling av kärnfusion. Genom att utnyttja maskininlärning och andra AI-algoritmer optimerar forskare reaktordesign, hittar och korrigerar grundläggande mätfel, påskyndar materialupptäckt, förutsäger och förhindrar plasmastörningar, kontrollerar plasmastatus och förbättrar effektiviteten och stabiliteten i fusionsreaktioner.

Genom att hantera enorma mängder komplex data och det intrikata förhållandet mellan olika delar av fusionsprocessen kan AI ytterligare förbättra vår förståelse, påskynda utvecklingen av nya reaktordesigner och avsevärt minska utvecklingstiderna, vilket banar väg för kommersialiseringen av kärnenergi.

AI hjälper till att övervinna de fysiska barriärerna för fusion

AI omvandlar snabbt industrier, inklusive energisektorn, där den hjälper till att lösa den globala energikrisen genom att uppnå koldfri, gränslös kärnenergi. 

I detta avseende använde Google DeepMind djup förstärkningsinlärning (RL) för att framgångsrikt kontrollera plasma¹ i en tokamak och exakt forma det till olika former. För att utveckla RL-systemet samarbetade de med Swiss Plasma Center vid EPFL. Systemet upptäcker autonomt hur man styr de magnetiska spolarna runt en tokamak och innehåller plasma i den.

Förra året släppte företaget också en plasmatsimulator kallad TORAX², som modellerar ”kärnan” av plasma och sedan förutsäger förändringar i temperatur, densitet och elektrisk ström. 

Tidigare förra året använde ett team vid Princeton University också RL för att förutsäga den ledande formen av störningar i fusionsplasma upp till 300 millisekunder innan de uppträder. Kända som ”tearing mode instabilities”, uppstår de när de magnetiska fältlinjerna inom ett plasma bryts, vilket låter det fly från plasma och därmed stoppar fusionsprocessen. 

Dessa instabiliteter förväntas ”bli ännu mer framträdande när vi försöker köra fusionsreaktioner vid de höga effekterna som krävs för att producera tillräckligt med energi,” sade försteförfattaren Jaemin Seo, lektor i fysik vid Sydkoreas Chung-Ang University. ”De är en viktig utmaning för oss att lösa.”

Deras AI-modell förutsäger potentiella tearing mode-instabiliteter i förväg³ och gör sedan ändringar i vissa driftsparametrar för att undvika tearing inom plasmaets magnetiska fältlinjer.

Modellen, tränad på tidigare experimentdata, får ett mål att upprätthålla en högkraftsreaktion, tillsammans med villkor att undvika, såsom tearing mode-instabilitet, och de reglage den kan vrida för att uppnå dessa resultat. Med tiden ”lär” AI-modellen sig den optimala vägen för att upprätthålla högkraftsmålet samtidigt som den undviker instabilitet.

”Genom att lära sig av tidigare experiment, snarare än att införliva information från fysikbaserade modeller, kunde AI utveckla en slutgiltig kontrollpolicy som stödde ett stabilt, högkrafts plasmaregim i realtid, i en riktig reaktor.”

– Forskningsledare Egemen Kolemen

Medan modellen körde otaliga simulerade fusionsexperiment för att hitta vägar, observerade teamet i bakgrunden dess ”avsikter” och förfinade handlingar, agerade som en medlare ”mellan vad AI vill göra och vad tokamaken kan rymma.”

Ingenjörs-, fysik- och datavetenskapsteamet testade och demonstrerade sin modell i experiment vid DIII-D National Fusion Facility i San Diego.

Sedan, tidigare i år, publicerades en forskningsartikel med titeln “Prediction of Performance and Turbulence in ITER Burning Plasmas via Nonlinear Gyrokinetic Profile Prediction“⁴ av Nathan Howard, huvudforskningsvetenskapsman vid MIT Plasma Science and Fusion Center (PSFC).

Howard och hans team använde ML och simuleringar för att förutsäga hur plasma kommer att bete sig i en fusionsanordning. 

“I artikeln förklarade de att högupplösta simuleringar av turbulens bekräftar att ITER-tokamaken, världens största experimentella fusionsanordning som för närvarande byggs i södra Frankrike, kommer att prestera som förväntat när den börjar driften, vilket inte sker förrän åtminstone 2035.

För att verifiera scenariot använde teamet CGYRO, ett tidskrävande program som tillämpar en komplex plasmafysikmodell på vissa driftförhållanden för att producera detaljerade simuleringar av plasmabeteende på olika platser inom en fusionsanordning.

Simuleringarna kördes sedan genom PORTALS-ramverket, som tar de högupplösta körningarna och använder ML för att bygga en ”surrogat”, en modell som ”kan efterlikna resultaten av de mer komplexa körningarna, men mycket snabbare.”

Högupplösta modelleringsverktyg som PORTALS, noterade forskarna, ger ”en glimt in i plasmakärnan innan den ens bildas. Detta förutsägelseförst tillvägagångssätt gör att vi kan skapa mer effektiva plasma i en anordning som ITER.”

Teamet demonstrerade också olika driftuppsättningar där samma mängd energiutgång kan produceras men med mindre energiinmatning.

Svep för att rulla →

Kartläggning av fusionsskuggor med HEAT-ML 

En ny AI-ansats används nu för att skydda insidan av fusionsreaktorer från den extrema värmen från plasma. Detta nya sätt påskyndar beräkningarnas hastighet som krävs för att hitta ”magnetiska skuggor” i fusionsbehållarna.

Dessa skuggor är säkra tillflyktsorter som är skyddade från den intensiva plasmavärmen.

Värmeutmaningen inne i tokamaken

Som vi förklarade ovan, när plasma är inneslutet i tokamaken med hjälp av magnetfält, når värmen från plasma en temperatur som är ännu varmare än solens kärna. För att utnyttja fusion måste denna värme kontrolleras.

Enligt Doménica Corona Rivera, associerad forskningsfysiker vid Princeton Plasma Physics Laboratory (PPPL):

”Tokamakens plasma‑exponerade komponenter kan komma i kontakt med plasma, som är mycket hett och kan smälta eller skada dessa element. Det värsta som kan hända är att du måste stoppa driften.”

Så, för att övervinna detta problem använder forskarna AI som kan snabba upp beräkningarna som förutsäger exakt var värmen kommer att träffa i tokamaken.

Genom att avsevärt påskynda HEAT-beräkningarna möjliggör modellen realtidsapplikationer för divertorskydd och kontrollåtgärder.

Ett samarbete för att driva fusionsinnovation

Ett offentligt‑privat partnerskap mellan PPL, USA:s energidepartement (DOE) Oak Ridge National Laboratory och fusionskraftföretaget Commonwealth Fusion Systems (CFS), som är en avknoppning från MIT och syftar till att bygga ett litet fusionskraftverk baserat på ARC‑tokamakdesignen, ledde till denna nya AI‑ansats kallad HEAT‑ML.

Den ML‑baserade surrogatmodellen (HEAT‑ML) beskrivs i den senaste studien med titeln “Shadow masks predictions in SPARC tokamak plasma-facing components using HEAT code and machine learning methods.”⁵

HEAT‑ML syftar till att lägga grunden för mjukvara som påskyndar designen av framtida fusionssystem, samt förhindra problem innan de uppstår genom att justera plasma, vilket möjliggör bra beslutsfattande.

”Denna forskning visar att du kan ta en befintlig kod och skapa en AI‑surrogat som kommer att snabba upp din förmåga att få användbara svar, och den öppnar intressanta vägar när det gäller kontroll och scenarioplanering.”

– Medförfattare till artikeln, Michael Churchill, som är chef för digital engineering vid PPPL.

Kartläggning av magnetiska skuggor för att skydda material

HEAT‑ML har speciellt utvecklats för att simulera en liten del av SPARC.

SPARC är en tokamak som för närvarande utvecklas av CFS i samarbete med MIT PSFC. Den är planerad att börja drift nästa år och syftar till att demonstrera nettoenergivinst, generera mer energi än den förbrukar till 2027.

För att uppnå detta simulerar forskarna hur värmen påverkar tokamakens inre.

En stor beräkningsutmaning, forskarna gör den hanterbar genom att fokusera på SPARC‑sektionen, där svårigheten av plasma‑värmeutsläpp möter materialväggen. Och det är 15 plattor runt basen av maskinen, den del där dess utsugningssystem kommer att vara mest utsatt för värme.

För att skapa denna simulering skapade teamet skuggmasker, som är 3D‑kartor över magnetiska skuggor. Dessa kartor är specifika områden på ytorna av ett fusionssystems interna komponenter som är skyddade från direkt värme. Deras position beror på formen på delarna inne i tokamaken samt hur de interagerar med de magnetiska fältlinjerna som innesluter plasma.

Snabba upp simuleringar från minuter till millisekunder

Skuggmaskerna beräknades ursprungligen med det öppna källkodsprogrammet HEAT, eller Heat flux Engineering Analysis Toolkit.

Byggt av Tom Looby från CFS i samarbete med SPARC Diagnostic Teams ledare Matt Reinke, tillämpades detta program först på utsugningssystemet för PPPL:s sfäriska tokamak kallad National Spherical Torus Experiment‑Upgrade (NSTX‑U), som är designad för att vara den mest kraftfulla i världen.

Forskarna har nu använt maskininlärning för att komplettera HEAT, och utvecklat 3D‑surrogatmodeller för snabba och precisa beräkningar av värmebelastning.

Den resulterande HEAT‑ML följer de magnetiska fältlinjerna från en komponentens yta för att se om de korsar andra interna delar. Om linjen korsar, markeras den platsen som ett skuggat område, eller en magnetisk skugga.

Denna hela process att spåra linjer och upptäcka exakt var de möter den detaljerade 3D‑maskingeometrin var dock en betydande flaskhals som kunde ta omkring 30 minuter för en enda simulering. Om komplexa geometrier är inblandade kan det ta ännu längre.

HEAT‑ML gjorde det möjligt för teamet att övervinna denna begränsning, och påskyndade beräkningarna till enbart millisekunder. 

Mot realtidskontroll av fusionskraftverk

HEAT‑ML‑modellen använder ett djupt neuralt nätverk, en form av AI med flera dolda lager som tillämpas på data för att lära sig specifika uppgifter genom att känna igen mönster. I detta fall tränades HEAT‑ML på omkring 1 000 SPARC‑simuleringar från HEAT för att identifiera skuggområden.

Eftersom den är kopplad till den specifika designen av SPARCs utsugningssystem fungerar HEAT‑ML endast för den delen av just denna tokamak.

Så, för närvarande är det en valfri inställning i HEAT‑koden. Men teamet hoppas kunna utöka modellens kapacitet för att generalisera skuggmaskberäkningarna för alla utsugningssystem, oavsett storlek och form, samt andra plasma‑exponerade komponenter i tokamaken.

Kraftutsläppet, enligt studien, är en avgörande utmaning för nästa generation av fusionsanordningar och kräver innovativa lösningar i divertordesign och drift. Studien noterade:

”Det ultimata målet är att integrera modellen för realtidskontroll och framtida operativa beslut.” 

Investering i kärnenergi

Tekjätten Microsoft Corporation (MSFT ) utforskar aktivt kärnenergi och dess acceleration via AI, eftersom de tror att den bör vara en del av en mix av koldioxidfria energikällor. 

Microsofts chef för hållbarhet, Melanie Nakagawa, har kallat fusion för ett långsiktigt spel och sagt att under de senaste åren har olika typer av milstolpar uppnåtts av branschen, vilket har skapat ”mycket optimism att detta kan vara ögonblicket då fusion faktiskt kommer fram inom detta decennium, eller nära detta decennium.”

Microsoft Corporation (MSFT )

För sina fusionsmål skrev Microsoft under ett banbrytande avtal med det privata fusionsstartup‑företaget Helion Energy år 2023. Enligt avtalet kommer Helion att leverera fusion‑genererad kraft till Microsofts datacenter senast 2028.

Även stödd av SoftBanks riskkapitalarm och OpenAIs Sam Altman, började Helion i år bygga sitt planerade kärnfusionskraftverk kallat Orion, men slutgiltiga tillstånd är ännu inte säkrade. 

Helions prototyp Polaris arbetar för närvarande med att hitta ett sätt att generera mer energi än vad det kräver för att skapa och upprätthålla reaktionen. Orion, under tiden, enligt dess VD, kommer att ansluta till kraftleveransnät.

När det gäller Microsofts marknadsresultat handlas det $3,86 biljon stora företagets aktier omkring $521, upp 23,41 % YTD. Det har ett EPS (TTM) på 13,64 och ett P/E (TTM) på 38,25. Utdelningsavkastningen är 0,64 %.

När det gäller finansiella resultat för kvartalet som avslutades 30 juni 2025, visade de en 18 % ökning i intäkter till $76,4 bn, en 23 % ökning i rörelseresultat till $34,3 bn, och en 24 % ökning i nettoresultat till $27,2 bn. Utspädda vinst per aktie var $3,65, upp 24 %.

”Moln och AI är drivkraften bakom affärstransformation över alla industrier och sektorer.”

– VD Satya Nadella

Senaste Microsoft Corporation (MSFT) aktienyheter och utveckling

Slutsats

En av de mest lovande vägarna till ren energi är fusion, men vägen till dess kommersialisering är lång och mödosam. AI visar sig dock vara den accelererande faktorn som kan förvandla denna århundradiga dröm till verklighet, väl inom vår livstid.

Genom att använda AI‑baserade metoder arbetar forskare för att göra fusionssystem robusta och ekonomiskt livskraftiga. Från att påskynda forskning och lösa plasma‑instabiliteter till att skydda reaktorsystem, kan AI hjälpa till att föra kärnenergi till elnätet och ge mänskligheten tillgång till gränslös kraft.

Klicka här för att lära dig hur den fjärde generationen av kärnenergi skulle se ut.

Referenser:

1. Degrave, J., Felici, F., Buchli, J., et al. Magnetic control of tokamak plasmas through deep reinforcement learning. Nature, 602(7897), 414–419, publicerad 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: A fast and differentiable tokamak transport simulator in JAX. arXiv preprint arXiv:2406.06718, publicerad 10 juni 2024, senast reviderad 7 december 2024. https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., et al. Avoiding fusion plasma tearing instability with deep reinforcement learning. Nature, 626(8001), 746–751, publicerad 21 februari 2024. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez-Fernandez, P., Holland, C., & Candy, J. Prediction of performance and turbulence in ITER burning plasmas via nonlinear gyrokinetic profile prediction. Nuclear Fusion, 65(1), 016002, publicerad 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. Shadow masks predictions in SPARC tokamak plasma-facing components using HEAT code and machine learning methods. Fusion Engineering and Design, 217, 115010, publicerad augusti 2025. https://doi.org/10.1016/j.fusengdes.2025.115010