Maaaring Mahulaan at Maiwasan ng AI ang mga Instabilidad sa Reaksyon ng Fusion

Mula nang maunawaan ang konsepto ng nuclear fusion halos isang siglo na ang nakalipas, mula sa mga inhinyero hanggang sa mga siyentipiko, lahat ay naghahanap ng mga paraan upang likhain at gamitin ito. Pagkatapos ng lahat, kapag nakamit natin ang nuclear fusion sa industriyal na sukat, maaari itong magbigay ng abot-kayang, ligtas, hindi nakakalason, at halos walang limitasyong enerhiya upang matugunan ang tumataas na pangangailangan.

Ano ang nuclear fusion? Ito ay isang proseso kung saan dalawa o higit pang magagaan na atomic nuclei ay nagsasama upang bumuo ng isang solong, ibang, at mas mabigat na atomic nucleus, na naglalabas ng napakalaking dami ng enerhiya. Kagiliw‑lika, ang mga fusion reaction ang nagbibigay ng enerhiya sa araw at mga bituin, na ginagawang posible ang buhay sa Earth.

Gayunpaman, ang pagsasanib ng dalawang atom ay medyo mahirap, dahil nangangailangan ito ng napakalaking presyon at enerhiya upang malampasan ang kanilang pag‑usig sa isa’t isa. Ginagawa ito ng araw sa pamamagitan ng napakalaking grabidad nito at napakataas na presyon sa kanyang core.

Ngayon, sinusubukan ng mga mananaliksik na magtayo ng kanilang sariling mga fusion reactor. Ang mga fusion reaction na ito ay nagaganap sa plasma, isang estado ng materya. Ang plasma, isang mainit, may karga na gas na binubuo ng mga libreng negatibong electron at positibong ion, ay nagpapahintulot sa daloy ng kuryente dito.

Upang gayahin ang prosesong ito, gumagamit ang mga siyentipiko ng napakainit na plasma at napakalakas na mga magnet. Gayunpaman, ang sobrang init, lubhang kumplikado, at magulong plasma ay maaaring mabilis na mawalan ng katatagan at tumakas mula sa malalakas na magnetic field na nakapaloob dito sa loob ng hugis‑donut na fusion reactor, na karaniwang nagbubunga ng pagwawakas ng reaksyon. Ang mga hugis‑donut na aparato na ito ay kilala bilang tokamak.

Ito, siyempre, ay nagdudulot ng kritikal na hamon sa pag‑develop ng fusion bilang isang malinis at walang limitasyong mapagkukunan ng enerhiya. Gayunpaman, isang koponan ng mga data scientist, inhinyero, at physicist mula sa Princeton University at sa U.S. Department of Energy’s Princeton Plasma Physics Laboratory (PPPL) ay gumagamit ng artificial intelligence (AI) upang hulaan ang pagbuo ng isang tiyak na problema sa plasma sa real time upang maiwasan ito.

Sa DIII‑D National Fusion Facility sa San Diego, na isang Office of Science na pinamamahalaan ng General Atomics para sa U.S. Department of Energy (DOE), nagsagawa ang mga mananaliksik ng kanilang mga eksperimento at ipinakita ang kanilang AI model, na napatunayang nakakapag‑predict ng potensyal na plasma instabilities. Tinawag na tearing mode instabilities, ang mga ito ay maaaring mahulaan ng AI nang maaga ng hanggang 300 millisecond. Bilang konteksto, kumikirot tayo sa karaniwang 100–150 millisecond, ayon sa mga mananaliksik ng UCL.

Bagaman napakaikling tagal, ito ay nagbibigay ng sapat na oras para sa AI controller na baguhin ang ilang partikular na operating parameters upang maiwasan ang pag‑tearing sa mga linya ng magnetic field ng plasma na magpapabuwal sa equilibrium at posibleng magwakas ang reaksyon.

Ang AI model ay sinanay gamit ang data mula sa mga nakaraang pagsubok sa halip na gumamit ng impormasyon mula sa mga physics‑based na modelo. Sa ganitong paraan, “maaaring bumuo ang AI ng isang panghuling control policy na sumusuporta sa isang matatag, mataas na power plasma regime sa real‑time, sa isang tunay na reactor,” sabi ng pinuno ng pag-aaral na si Egemen Kolemen, na staff research physicist sa PPPL at associate professor ng mechanical at aerospace engineering sa Andlinger Center for Energy and the Environment.

Hindi tulad ng kasalukuyang mga pamamaraan, ito ay nagbibigay‑daan sa mas dinamikong kontrol ng isang fusion reaction at higit pang naglalaan ng pundasyon para magamit ang AI upang makahanap ng solusyon sa malawak na hanay ng mga plasma instabilities. Ito ay kritikal dahil matagal nang naging hamon ang pag‑abot ng isang patuloy na fusion reaction.

I‑click dito upang matutunan ang lahat tungkol sa pamumuhunan sa artificial intelligence (AI).

Paglago ng Paggamit ng AI sa Pananaliksik ng Fusion

Inilathala sa Nature, ang pag‑-aaral na ito ay nakatuon sa pag‑predict at pag‑iwas sa tearing instabilities bago pa man ito lumitaw sa plasma. Iba ito sa mga nakaraang pamamaraan, na ayon kay Jaemin Seo, ang may‑akda ng pag‑-aaral at assistant professor ng physics sa Chung‑Ang University sa South Korea, ay karaniwang nagtrabaho sa pag‑attenuate o pag‑pigil sa mga epekto ng mga instabilities matapos itong mangyari. 

Tinugunan ng Princeton team ang tearing mode instabilities, isang uri ng kaguluhan kung saan ang mga linya ng magnetic field ay nabigong kontrolin ang plasma na lumalagpas sa 100 milyong degree Celsius, na nagdudulot ng plasma disruption. Mas mainit ito kaysa sa gitna ng Araw. Ayon kay Seo:

“Ang tearing mode instabilities, isa sa mga pangunahing sanhi ng plasma disruption, ay lalo pang magiging prominente habang sinusubukan nating patakbuhin ang mga fusion reaction sa mataas na kapangyarihan na kinakailangan upang makalikha ng sapat na enerhiya, na nagdadala ng isang malaking hamon na kailangang lutasin.”

Dahil ang ganitong uri ng instability ay maaaring mabuo at pagkatapos ay hadlangan ang fusion reaction sa loob ng ilang millisecond, lumipat ang mga mananaliksik sa AI dahil sa kakayahan nitong mabilis na iproseso at kumilos bilang tugon sa bagong data.

Hindi ito ang unang pagkakataon na ginamit ang AI sa pananaliksik ng fusion. Sa katunayan, may lumalaking interes sa machine learning at AI upang suriin ang napakalaking dami ng data na nalilikha sa mga eksperimento.

Sa pagsusuri ng training data, kinikilala ng AI ang mga pattern at nagbubuo ng mga prinsipyo mula rito. Halimbawa, ang Wendelstein 7‑X ay humaharap sa live detection ng estado ng plasma equilibrium sa mga stellarator, isang plasma device na nakadepende sa mga external magnet upang i‑confine ang plasma.

Ayon kina Riccardo Betti, chief scientist sa LLE, at Robert L. McCrory, Professor sa Department of Physics and Astronomy at Department of Mechanical Engineering, sinabi nila:

“Mayroon na tayo ngayon ng napakaraming experimental data na maaari nating gamitin sa machine learning upang sistematikong itama ang mga simulation at gabayan ang real‑time na pag‑ayos sa mga eksperimento.”

Samantala, sa isang pag-aaral noong 2021, si Diogo Ferreira, isang propesor ng information systems sa University of Lisbon’s Instituto Superior Técnico sa Portugal, ay nagdetalye ng tatlong iba’t ibang paggamit ng AI, ML, at DL models para sa pananaliksik ng fusion. Ang isa sa kanyang mga modelo ay nag‑predict ng disruptions sa super‑hot plasma, ang ikalawa ay nag‑detect ng anomalies sa plasma, at ang ikatlo ay tungkol sa visual na representasyon ng mga pattern ng radiation ng plasma.

Ngayon, ang pinakabagong pag‑-aaral na ito, na sinusuportahan ng DOE’s Office of Fusion Energy Sciences at ng National Research (NRC ) Foundation of Korea, ay nagtatrabaho sa pag‑iwas sa fusion plasma tearing instability sa tulong ng subfield ng machine learning na deep reinforcement learning (RL). Nagbibigay din ang DOE ng pondo sa MIT Plasma Science and Fusion Center upang mapabuti ang access sa fusion data.

Upang makabuo ng matagumpay na artificial intelligence controller, kailangang gamitin ng Princeton team ang data mula sa mga pagsubok na isinagawa noon sa DIII‑D tokamak. Isang deep neural network ang nilikha na may kakayahang hulaan ang posibilidad ng paparating na tearing instability base sa mga katangian ng plasma sa real time.

Ayon kay Azarakhsh Jalalvand, co‑author ng pag‑-aaral at research scholar sa grupo ni Kolemen, ito ay katulad ng pagtuturo sa isang tao kung paano lumipad ng eroplano, na hindi mo basta‑basta ibibigay ang susi at sabihing subukan nila ang kanilang makakaya, kundi papahintulutan mo silang magsanay sa isang napaka‑komplikadong flight simulator hanggang matutunan nila nang sapat upang subukan ang totoong paglipad.

Sinunod nito, sinanay ng koponan ang isang reinforcement learning (RL) algorithm sa kanilang neural network, na maaaring subukan ang iba’t ibang estratehiya para kontrolin ang plasma. Ang algorithm ay natututo sa pamamagitan ng trial and error sa loob ng ligtas na simulated environment.

Sa halip na turuan ito ng lahat ng komplikadong pisika ng isang fusion reaction, sinabi lamang ng koponan sa reinforcement learning model ang kanilang layunin, na panatilihin ang isang mataas na power reaction kasama ang kung ano ang dapat iwasan, i.e., isang tearing mode instability at ang mga kontrol (knobs) na maaaring gamitin upang maabot ang mga resulta. Paglipas ng panahon, natutunan ng modelo ang pinakamainam na landas upang makamit ang mataas na antas ng power habang iniiwasan ang parusa ng instability.

Habang tumatakbo ang modelo sa hindi mabilang na simulated fusion experiments, napansin at pinino ng koponan ang mga aksyon nito dahil ang ilang pagbabago ay masyadong mabilis. 

“Bilang mga tao, kami ang nag‑aayos sa pagitan ng kung ano ang nais gawin ng AI at kung ano ang kayang tanggapin ng tokamak.”

– SangKyeun Kim, Co‑author ng pag‑-aaral at staff research scientist sa PPPL

Sinubukan lamang ng koponan ang AI controller sa isang aktwal na fusion experiment nang sila ay kumpiyansa na sa kakayahan nito. Ang AI controller ay gumawa ng real‑time na pagbabago sa ilang parameter ng D‑III D tokamak, kabilang ang pagbabago ng hugis ng plasma at lakas ng mga beam na nagdadala ng power sa reaksyon upang maiwasan ang pag‑usbong ng instability.

Isang Pangkalahatang Solusyon

Ang pinakabagong pananaliksik na ito, na ang mga natuklasan ay inilathala noong nakaraang linggo sa Nature, ay nagtatanghal ng isang aktibong pamamaraan kumpara sa “mas pasibong” kasalukuyang mga pamamaraan sa pag‑predict ng mga instabilities nang maaga, na maaaring gawing mas madali ang pagpapatakbo ng mga reaksyon. Sinabi ni Kim:

“Hindi na natin kailangang hintayin na mangyari ang mga instabilities at pagkatapos ay gumawa ng mabilis na corrective action bago ma‑disrupt ang plasma.”

Ang pag‑-aaral na ito ay tiyak na isang promising proof‑of‑concept na nagpapakita kung paano epektibong kontrolin ng AI ang mga fusion reaction. Gayunpaman, binanggit ng mga mananaliksik na ang grupo ni Kolemen ay kasalukuyang nagtatrabaho sa ilang susunod na hakbang upang itaguyod ang larangan ng pananaliksik sa fusion.

Kaya, habang may “malakas na ebidensya” na ang AI controller ay gumagana “medyo maayos” sa DIII‑D tokamak, ang pokus ngayon ay makakuha ng higit pang ebidensya ng controller sa aksyon, magkaroon ng higit pang data na ito rin ay gumagana sa iba’t ibang sitwasyon, at pagkatapos ay palawakin ito upang gumana sa ibang mga tokamak.

Ngunit hindi pa dito nagtatapos. Ang kasalukuyang AI model ay gumagamit lamang ng limitadong bilang ng mga diagnostic na nagpapahintulot nitong iwasan lamang ang isang tiyak na uri ng instability. Kaya, nais ng mga mananaliksik na magbigay ng data sa iba pang uri ng mga instability pati na rin magbigay ng access sa mas maraming kontrol (knobs) para sa AI controller upang gumawa ng mga pag‑ayos. Kaya, layunin ng koponan na palawakin ang kanilang algorithm upang harapin ang ilang uri ng mga instability sa pamamagitan ng sabay‑sabay na pagkontrol ng maraming iba’t ibang knobs.

Sa landas na ito tungo sa paglikha ng mas epektibong AI controllers, umaasa ang koponan na magkakaroon ang AI ng pinahusay na kalinawan at pag‑unawa sa mga fusion reaction at pisika at matutulungan din tayo na mas marami pang matutunan tungkol dito.

I‑click dito upang matutunan kung bakit ang 2023 ang breakout year para sa AI.

Mga Kumpanya na Nagtatrabaho sa Larangan ng AI at Fusion Reaction

Ngayon, tingnan natin ang ilang kilalang pangalan sa sektor:

#1. Google 

Ang higanteng teknolohiya ay may hawak sa halos lahat ng larangan, at kasama na rito ang AI research at fusion energy. Ilang taon na ang nakalipas, inanunsyo ng Google‑backed DeepMind na ito ay nagsanay ng isang AI system upang kontrolin ang plasma sa loob ng nuclear fusion reactor. Ang AI Lab ay lumikha ng isang RL AI system upang kontrolin ang mga magnet at baguhin ang boltahe libu‑libong beses bawat segundo.

Ang kumpanyang may market value na $1.75 trilyon ay may presyo ng shares na $140.38, tumaas ng 3% ngayong taon. Iniulat ng Google ang revenue (TTM) na 307.39 bilyon at may EPS (TTM) na 5.80, P/E (TTM) na 24.17, at ROE (TTM) na 27.36%.

#2. TAE Technologies

Dating kilala bilang Tri Alpha Energy, ang kumpanyang nakabase sa California ay nakatuon sa pag‑develop ng teknolohiya ng fusion energy. Ang TAE Technologies ay kasalukuyang nag‑upgrade ng kanilang fusion platform, ang Norman, patungo sa ikaanim na henerasyon na tinatawag na Copernicus. Kung magiging maayos ang lahat, inaasahan ng kumpanya na makagawa ng kanilang unang prototype power plant na maaaring ikonekta sa grid sa unang bahagi ng 2030s, at ang pag‑scale nito upang makabuo ng “matatag at maaasahang” komersyal na power ay magpapatuloy sa buong dekada. Ayon sa CEO nitong si Michl Binderbauer, dadalhin tayo ng fusion sa isang “paradigm ng kasaganaan”.

Noong 2022, nag‑invest ang Google at Chevron (CVX ) sa TAE Technologies bilang bahagi ng $250 milyong pondo ng kumpanya. Ang Google ay talagang nakipartner sa TAE sa loob ng isang dekada na at nagbibigay sa kumpanya ng AI at computational power.

#3. ITER

Ang International Thermonuclear Experimental Reactor ay isang internasyonal na nuclear fusion research at engineering megaproject na nagpapaunlad ng kanilang pananaliksik at pag‑develop ng fusion gamit ang ML at AI.

“Ang mga malalaking proyektong pang‑agham tulad ng ITER ay nag‑aalok ng napakaraming data na perpekto para sa AI. Nagbibigay ito sa atin ng natatanging pagkakataon upang matuto, magsanay, mag‑extrapolate, at ilapat ang mga kasanayang ito sa ibang larangan ng manufacturing.”

– María Ortiz de Zúñiga, Senior Technical Officer sa Fusion for Energy

Konklusyon

Tulad ng tinalakay natin sa kabuuan ng artikulong ito, AI ay may potensyal na baguhin ang iba’t ibang aspeto ng paglalakbay ng fusion. Gayunpaman, ang mga kamakailang pag‑unlad sa teknolohiya ay nagbigay ng pag‑asa na mapagtagumpayan ang matagal nang mga hamon na kinahaharap ng industriyang ito. Sa pamamagitan ng paggamit ng computational power at kakayahan ng AI sa pattern recognition, maaari nating pabilisin ang pag‑develop ng fusion power at sa wakas gawing realidad ang isang sustainable energy future.