Pagmaster ng Fusion gamit ang AI upang Buksan ang Walang Hanggang Malinis na Enerhiya

Sa mabilis na pagkaubos ng mga fossil fuel at paglala ng pagbabago ng klima, tayo ay nasa kritikal na pangangailangan para sa malinis na enerhiya. 

Habang ang mga mapagkukunan ng renewable energy ay nag-aalok ng isang magagarang alternatibo, mayroon silang sariling mga hamon pagdating sa limitasyon ng pag-iimbak ng enerhiya, komplikasyon sa integrasyon sa grid, mataas na paunang gastos, at ang hindi palagiang kalikasan ng ilang mapagkukunan tulad ng solar at hangin. Dagdag pa, ang paggamit ng lupa, mga hadlang sa patakaran, at ang pangangailangan para sa matibay na imprastruktura ay nagdudulot din ng malalaking balakid. 

Dito pumapasok ang nuclear energy upang baguhin ang laro. Ang nuclear energy ay isang anyo ng enerhiya na inilalabas mula sa nucleus, na siyang positibong kargadong sentral na core ng mga atom, binubuo ng mga proton at neutron. 

Ayon sa International Energy Agency (IEA), ang nuclear power ay kumakatawan sa halos 10% ng pagbuo ng kuryente sa buong mundo. 

Ngunit sa kabila ng kakayahan nitong mag-produce ng enerhiyang walang emisyon, ang malalaking paunang gastos, mahabang oras ng paghahanda, at mahinang rekord sa tamang oras ng paghahatid ay naglilimita sa pag-aampon ng nuclear energy, ayon sa IEA. Gayunpaman, ang bagong sigla sa buong mundo ay may potensyal na magbukas ng bagong panahon para sa nuclear energy na may mga reaktor na magsisimulang magkomersyal na operasyon sa China, Europe, India, Japan, at Korea.

Ngayon, may dalawang paraan kung paano maaaring gawin ang mapagkukunan ng enerhiyang ito:

• Pagsasanib
• Paghahati

Ang paghahati ay kung saan ang mga nucleus ng mabibigat na atom ay hinahati sa mas maliliit na bahagi. Ang pagsasanib ay kung saan ang mga nucleus ng magagaan na atom ay pinagsasama upang bumuo ng mas mabigat na isa. Pareho silang naglalabas ng napakalaking dami ng enerhiya.

Habang ang paghahati lamang ang kasalukuyang ginagamit sa malawak na sukat para sa pagbuo ng kuryente, ngayon, ang aming pokus ay nasa nuclear fusion.

Sa kabila ng pagiging nasa yugto pa ng pananaliksik at pag-unlad, ang nuclear fusion ay nag-aambag ng napakaliit na bahagi sa pandaigdigang produksyon ng enerhiya, bagaman ito ay may napakalaking potensyal para sa hinaharap. Ito ay talagang isa sa pinaka-ambientally friendly na mapagkukunan ng enerhiya, dahil walang carbon dioxide o iba pang mapanganib na emisyon sa proseso.

Ang zero-carbon na kuryente mula sa mga planta ng fusion ay maaaring dumaloy nang tuloy-tuloy, anuman ang panahon o kung araw o gabi. Hindi tulad ng paghahati, ang fusion ay hindi nagdudulot ng anumang posibleng mapaminsalang pagkatunaw o pangmatagalang radioactive nuclear waste.

Hindi lamang hindi nag-aambag ang fusion sa emisyon ng greenhouse gas (GHG), ang dalawang pangunahing pinagkukunan ng gasolina nito, hydrogen (para sa deuterium) at lithium (para sa tritium), ay malawak ding magagamit.

Sa kontekstong ito, inaasahan na ang nuclear fusion ay makakatugon sa pangangailangan ng sangkatauhan sa enerhiya sa loob ng milyong taon, at ito ay nagdudulot ng mga bansa sa buong mundo na aktibong nagtatrabaho upang gawing realidad ito. 

Mga Hadlang sa Pagitan ng Bisyon ng Nuclear Energy at Katotohanan

Noong 1915 unang iminungkahi ng Amerikanong kimiko na si William Draper Harkins ang konsepto ng nuclear fusion. Ngunit hindi pa natin ito nakakamit nang makabuluhan. 

Ang mga reaksiyong fusion ay talaga namang bumubuo sa pangunahing pinagmumulan ng enerhiya ng mga bituin, kabilang ang higanteng bola ng mainit na gas, ang Araw. Ito ay ang prosesong tinatawag na thermonuclear fusion na nagpapanatiling nagniningning ang Araw at mga bituin sa loob ng milyong taon.

Sa thermonuclear fusion, ang mga atomic nucleus ay nagsasama sa napakainit na temperatura, sampu hanggang isang daang milyong antas ng Celsius, na nagbibigay ng sapat na enerhiya upang mapagtagumpayan ang mutual na elektrikal na repulsion ng dalawang nucleus. Pagkatapos ay nagsasanib sila upang bumuo ng isang solong nucleus at naglalabas ng malaking enerhiya.

Ang napakalaking puwersa ng grabidad ng Araw ay may mahalagang papel dito, dahil ito ay lumilikha ng napakataas na presyon, init, at mga kondisyon para sa fusion. Kung walang grabidad, ang araw ay hindi magiging sapat na mainit at siksik para maganap ang fusion.

Ngayon, upang lumikha ng nuclear fusion sa Earth ngunit walang napakalakas na grabidad ay nangangahulugang ilalagay ang magagaan na isotopo sa isang reaktor at pagkatapos ay iinitin ang mga ito sa daan-daang milyong antas ng Celsius, na nagiging isang ionisadong ‘plasma.’

Ang plasma ay isang may kargang gas na binubuo ng mga positibong ion at malayang gumagalaw na mga electron. Ito ay napakainit at mahirap kontrolin, na nangangailangan ng magnetic field upang pigilan itong tumakas.

Nakakamit na ng mga siyentipiko ang mga kondisyon para sa nuclear fusion nang regular, ngunit ang katatagan ng plasma at pinahusay na mga katangian ng confinement ay hindi pa naaabot upang mapanatili ang reaksyon at makabuo ng enerhiya sa isang patuloy na paraan.

Halimbawa, noong huling bahagi ng 2022, isang multibilyong-dolyar na eksperimento sa fusion ang sa wakas ay nagpagawa ng isang maliit na sample ng isotope na maglabas ng higit na enerhiya kaysa sa enerhiyang laser na ginamit upang pasimulan ito, ngunit tumagal lamang ng halos isang ikasampung bahagi ng isang nanosecond.

Kaya, ang nuclear fusion ay isang napaka-mapanghamong proseso, na nangangailangan ng napakainit na temperatura at matinding presyon.

Pagkatapos, kailangan pang patatagin ang plasma, pigilan itong tumama sa mga pader ng reaktor, at bawasan ang pagkawala ng init, na nagpapahirap sa pagpapanatili ng reaksyon. Sa larangan ng engineering, kailangan natin ng malalaki, makapangyarihang superconducting magnets upang i-confine ang plasma sa mga tokamak, isang karaniwang uri ng doughnut-shaped na fusion reactor, at mga advanced na vacuum system upang maabot at mapanatili ang napakababang presyon.

Dagdag pa, kailangan natin ng mga materyales na kayang tiisin ang mataas na temperatura, mataas na daloy ng init, at matinding neutron radiation. Upang harapin ang mga hamong ito, ang mga siyentipiko ay lumalapit sa artificial intelligence (AI). 

Ang AI ay gumaganap ng lalong mahalagang papel sa pagpapabilis ng pananaliksik at pag-unlad ng nuclear fusion. Sa pamamagitan ng paggamit ng machine learning at iba pang AI algorithms, ang mga mananaliksik ay nag-ooptimize ng disenyo ng reaktor, naghahanap at nagwawasto ng mga pangunahing pagkakamali sa pagsukat, nagpapabilis ng pagtuklas ng mga materyales, nagtataya at pumipigil sa mga paglabas ng plasma, kinokontrol ang estado ng plasma, at nagpapabuti ng kahusayan at katatagan ng mga reaksiyong fusion.

Sa pamamagitan ng paghawak ng napakalaking dami ng komplikadong datos at ang masalimuot na ugnayan sa pagitan ng iba’t ibang aspeto ng proseso ng fusion, maaaring higit pang mapabuti ng AI ang ating pag-unawa dito, pabilisin ang pag-develop ng mga bagong disenyo ng reaktor, at malaki ang mabawasan sa timeline ng pag-unlad, na nagbubukas ng daan para sa komersyalisasyon ng nuclear energy.

Tinutulungan ng AI na Malampasan ang mga Pisikal na Hadlang ng Fusion

Ang AI ay mabilis na nagbabago ng mga industriya, kabilang ang sektor ng enerhiya, kung saan ito ay tumutulong lutasin ang pandaigdigang krisis sa enerhiya sa pamamagitan ng pagkamit ng carbon-free, walang limitasyong nuclear energy. 

Kaugnay nito, ginamit ng Google DeepMind ang deep reinforcement learning (RL) upang matagumpay na kontrolin ang plasma sa isang tokamak at eksaktong hubugin ito sa iba’t ibang hugis. Upang bumuo ng RL system, nakipagtulungan sila sa Swiss Plasma Center sa EPFL. Ang sistema ay kusang natutuklasan kung paano kontrolin ang mga magnetic coil na nakapalibot sa isang tokamak at i-constrain ang plasma dito.

Noong nakaraang taon, inilabas din ng kumpanya ang isang plasma simulator na tinatawag na TORAX, na nagmomodelo ng “core” ng plasma at pagkatapos ay nagtataya ng mga pagbabago sa temperatura, densidad, at kuryente.

Mas maaga noong nakaraang taon, isang koponan sa Princeton University ang gumamit din ng RL upang hulaan ang nangungunang anyo ng mga kaguluhan sa fusion plasma hanggang 300 milisegundo bago ito lumitaw. Kilala bilang “tearing mode instabilities,” ito ay nangyayari kapag ang mga linya ng magnetic field sa loob ng plasma ay naputol, na nagpapahintulot nitong tumakas at sa gayon ay pinipigilan ang proseso ng fusion.

Inaasahan na ang mga instabilities na ito ay “mas magiging kapansin-pansin habang sinusubukan naming patakbuhin ang mga reaksiyong fusion sa mataas na kapangyarihan na kinakailangan upang makalikha ng sapat na enerhiya,” sabi ng unang may-akda na si Jaemin Seo, isang assistant professor ng physics sa Chung-Ang University ng South Korea. “Ito ay isang mahalagang hamon para sa amin na lutasin.”

Ang kanilang AI model ay nagtataya ng potensyal na tearing mode instabilities nang maaga at pagkatapos ay gumagawa ng mga pagbabago sa ilang operating parameters upang maiwasan ang pagguho sa loob ng mga linya ng magnetic field ng plasma.

Ang modelo, na sinanay sa nakaraang datos ng eksperimento, ay binibigyan ng layunin na mapanatili ang isang high-powered na reaksyon, kasama ang mga kondisyon na iwasan, tulad ng tearing mode instability, at ang mga kontrol na maaari nitong baguhin upang makamit ang mga resulta. Sa paglipas ng panahon, ang AI model ay “natututo ng optimal na landas” upang mapanatili ang layunin ng mataas na kapangyarihan habang iniiwasan ang instability.

“Sa pamamagitan ng pagkatuto mula sa mga nakaraang eksperimento, sa halip na isama ang impormasyon mula sa mga physics-based na modelo, ang AI ay maaaring bumuo ng isang panghuling control policy na sumusuporta sa isang stable, high-powered na plasma regime sa real time, sa isang tunay na reaktor.”

– Pinuno ng pananaliksik na si Egemen Kolemen

Habang nagpapatakbo ang modelo ng hindi mabilang na simulated fusion experiments upang makahanap ng mga landas, sa likuran, binantayan ng koponan ang “intensyon” nito at pinino ang mga aksyon, kumikilos bilang isang arbitrator “sa pagitan ng kung ano ang nais gawin ng AI at kung ano ang kayang tanggapin ng tokamak.”

Ang koponan ng mga inhinyero, physicist, at data scientist ay sinubukan at ipinakita ang kanilang modelo sa mga eksperimento sa DIII-D National Fusion Facility sa San Diego.

Pagkatapos, mas maaga ngayong taon, isang research paper na may pamagat na “Prediction of Performance and Turbulence in ITER Burning Plasmas via Nonlinear Gyrokinetic Profile Prediction” ay inilathala ni Nathan Howard, isang principal research scientist sa MIT Plasma Science and Fusion Center (PSFC).

Gumamit si Howard at ang kanyang koponan ng ML at mga simulation upang hulaan kung paano mag-uugali ang plasma sa isang fusion device. 

“Sa papel, ipinaliwanag nila na ang high-resolution na simulation ng turbulence ay nagpapatunay na ang ITER tokamak, ang pinakamalaking experimental fusion device sa mundo na kasalukuyang itinatayo sa timog ng France, ay magtatanghal ayon sa inaasahan kapag nagsimula ito ng operasyon, na hindi magaganap hanggang hindi bababa sa 2035.

Upang patunayan ang senaryo, ginamit ng koponan ang CGYRO, isang time-intensive na programa na nag-aapply ng komplikadong plasma physics model sa ilang operating conditions upang makabuo ng detalyadong simulation sa pag-uugali ng plasma sa iba’t ibang lokasyon sa loob ng isang fusion device.

Ang mga simulation ay pagkatapos pinatakbo sa pamamagitan ng PORTALS framework, na kumukuha ng high-fidelity runs at gumagamit ng ML upang bumuo ng isang ‘surrogate,’ isang modelo na “maaaring tularan ang mga resulta ng mas komplikadong runs, ngunit mas mabilis.”

Ang mga high-fidelity modeling tools tulad ng PORTALS, ayon sa mga mananaliksik, ay nagbibigay ng “isang sulyap sa plasma core bago pa man ito mabuo. Ang predict-first na lapit na ito ay nagbibigay-daan sa atin na lumikha ng mas epektibong plasma sa isang device tulad ng ITER.”

Ipinakita din ng koponan ang iba’t ibang operating setups kung saan maaaring makagawa ng parehong dami ng enerhiya ngunit may mas kaunting enerhiya na input.

Mag-swipe upang mag-scroll →

Pagmamapa ng mga Fusion Shadow gamit ang HEAT-ML 

Isang bagong AI na pamamaraan ang ngayon ginagamit upang protektahan ang loob ng mga fusion reactor mula sa napakainit na plasma. Ang bagong paraan na ito ay nagpapabilis ng bilis ng mga kalkulasyon na kinakailangan upang mahanap ang “magnetic shadows” sa mga fusion container.

Ang mga shadow na ito ay mga ligtas na kanlungan na protektado mula sa matinding init ng plasma.

Ang Hamon ng Init sa Loob ng Tokamak

Tulad ng ipinaliwanag namin kanina, kapag ang plasma ay naka-confine sa tokamak gamit ang magnetic fields, ang init na nagmumula sa plasma ay umaabot sa temperatura na mas mainit pa kaysa sa core ng araw. Upang magamit ang fusion, kailangan ang init na ito ay kontrolado.

Ayon kay Doménica Corona Rivera, isang associate research physicist sa Princeton Plasma Physics Laboratory (PPPL):

“Ang mga plasma-facing components ng tokamak ay maaaring makontak ang plasma, na napakainit at maaaring matunaw o masira ang mga elementong ito. Ang pinakamasamang mangyayari ay kailangan mong ihinto ang operasyon.”

Kaya, upang malampasan ang problemang ito, gumagamit ang mga mananaliksik ng AI na maaaring pabilisin ang mga kalkulasyon na nagtutukoy kung saan tatama ang init sa tokamak.

Sa pamamagitan ng makabuluhang pagpapabilis ng mga kalkulasyon ng HEAT, pinapayagan ng modelo ang posibilidad ng real-time na aplikasyon para sa proteksyon ng divertor at mga kontrol na aksyon.

Isang Pakikipagtulungan upang Itulak ang Inobasyon sa Fusion

Ang isang public-private partnership sa pagitan ng PPL, ng U.S. Department of Energy (DOE) Oak Ridge National Laboratory, at ng fusion power company na Commonwealth Fusion Systems (CFS), na isang spin-out mula sa MIT at naglalayong magtayo ng maliit na fusion power plant batay sa disenyo ng ARC tokamak, ay nagdala sa bagong AI na pamamaraan na tinatawag na HEAT-ML.

Ang ML-based surrogate model (HEAT-ML) ay detalyado sa pinakabagong pag-aaral na may pamagat na “Shadow masks predictions in SPARC tokamak plasma-facing components using HEAT code and machine learning methods.”

Layunin ng HEAT-ML na maglatag ng pundasyon para sa software na magpapabilis ng disenyo ng mga susunod na fusion system, pati na rin maiwasan ang anumang problema bago ito mangyari sa pamamagitan ng pag-aayos ng plasma, na nagbibigay-daan sa mahusay na paggawa ng desisyon.

“Ipinapakita ng pananaliksik na ito na maaari mong kunin ang isang umiiral na code at lumikha ng AI surrogate na magpapabilis ng iyong kakayahang makakuha ng kapaki-pakinabang na sagot, at nagbubukas ito ng mga kawili-wiling landas sa larangan ng kontrol at scenario planning.”

– Co-author ng papel, si Michael Churchill, na head ng digital engineering sa PPPL.

Pagmamapa ng Magnetic Shadows upang Protektahan ang mga Materyales

Ang HEAT-ML ay partikular na ginawa upang magsimula ng isang maliit na bahagi ng SPARC.

Ang SPARC ay isang tokamak na kasalukuyang binubuo ng CFS sa pakikipagtulungan sa MIT PSFC. Ito ay nakatakdang magsimula ng operasyon sa susunod na taon at layuning ipakita ang net energy gain, na nagpo-produce ng higit na enerhiya kaysa kinokonsumo nito pagsapit ng 2027.

Upang makamit ito, ang mga mananaliksik ay nagsasagawa ng simulation kung paano nakakaapekto ang init sa loob ng tokamak na ito.

Isang malaking hamon sa computing, ginagawang manageable ng mga mananaliksik ito sa pamamagitan ng pagtutok sa seksyon ng SPARC, kung saan ang tindi ng plasma heat exhaust ay tumatama sa pader ng materyal. At iyan ay 15 tiles sa paligid ng base ng makina, na siyang bahagi kung saan ang exhaust system ay magiging pinaka-bulnerable sa init.

Upang likhain ang simulation na ito, gumawa ang koponan ng shadow masks, na mga 3D na mapa ng magnetic shadows. Ang mga mapang ito ay mga tiyak na lugar sa mga ibabaw ng internal na bahagi ng isang fusion system na protektado mula sa direktang init. Ang kanilang posisyon ay nakadepende sa hugis ng mga bahagi sa loob ng tokamak pati na rin kung paano sila nakikipag-ugnayan sa mga linya ng magnetic field na nagko-confine sa plasma.

Pagpapabilis ng mga Simulation Mula Minuto Hanggang Millisecond

Ang mga shadow mask ay orihinal na kinakalkula gamit ang open-source na computer program na tinatawag na HEAT, o ang Heat flux Engineering Analysis Toolkit.

Binuo ni Tom Looby mula sa CFS kasama ang lider ng SPARC Diagnostic Team na si Matt Reinke, ang programang ito ay unang inilapat sa exhaust system para sa spherical tokamak ng PPPL na tinatawag na National Spherical Torus Experiment-Upgrade machine (NSTX-U), na dinisenyo upang maging pinakamakapangyarihan sa mundo.

Ginamit na ngayon ng mga mananaliksik ang machine learning upang dagdagan ang HEAT, na nag-develop ng 3D surrogate models para sa mabilis at tumpak na kalkulasyon ng heat load.

Ang resulting HEAT-ML ay sumusunod sa mga linya ng magnetic field mula sa ibabaw ng isang komponent upang makita kung tumatama ito sa iba pang internal na bahagi. Kung tumatama ang linya, ang spot na iyon ay minamarkahan bilang isang shadowed region, o magnetic shadow.

Ang buong prosesong ito ng pagsubaybay sa mga linya at pagtuklas kung saan nila natatamaan ang detalyadong 3D geometry ng makina, gayunpaman, ay isang malaking bottleneck na maaaring tumagal ng humigit-kumulang 30 minuto para sa isang simulation lamang. Kung may kumplikadong geometry, maaari pang tumagal.

Pinahintulutan ng HEAT-ML ang koponan na malampasan ang limitasyong ito, pinapabilis ang mga kalkulasyon hanggang sa ilang millisecond. 

Patungo sa Real-time na Kontrol ng mga Fusion Power Plant

Gumagamit ang HEAT-ML ng deep neural network, isang uri ng AI na may maraming patong ng pagproseso upang matuto ng mga pattern sa datos. Sinanay ito gamit ang humigit-kumulang 1,000 simulation ng SPARC mula sa HEAT upang tukuyin ang mga bahaging nasa magnetic shadow.

Dahil nakabatay ito sa partikular na disenyo ng exhaust system ng SPARC, sa ngayon ay para lamang sa bahaging iyon ng tokamak na iyon ang HEAT-ML. Opsyonal pa lamang itong bahagi ng HEAT code. Nais ng pangkat na palawakin ang modelo upang makalkula ang shadow masks para sa mga exhaust system na iba-iba ang laki at hugis, pati sa iba pang bahaging nakaharap sa plasma.

Ayon sa pag-aaral, malaking hamon sa susunod na henerasyon ng fusion device ang ligtas na paglabas ng matinding init. Kailangan nito ng mga bagong solusyon sa disenyo at pagpapatakbo ng divertor. Gaya ng isinulat ng mga mananaliksik:

“Ang panghuling layunin ay maisama ang modelo sa real-time na pagkontrol at sa mga desisyon sa pagpapatakbo sa hinaharap.”

Pamumuhunan sa enerhiyang nuklear

Sinusuri ng Microsoft Corporation (MSFT ) ang potensiyal ng enerhiyang nuklear at kung paano mapapabilis ng AI ang pagsasaliksik sa fusion. Itinuturing ng kumpanya ang nuklear bilang isa sa mga posibleng pinagmumulan ng enerhiyang walang carbon emissions.

Inilarawan ng punong opisyal nito sa sustainability na si Melanie Nakagawa ang fusion bilang pangmatagalang taya. Aniya, ang mga nakamit ng industriya nitong mga nakaraang taon ay nagdulot ng pag-asang maaaring sumulong nang malaki ang fusion sa loob o malapit sa kasalukuyang dekada.

Microsoft Corporation

Noong 2023, nakipagkasundo ang Microsoft sa pribadong fusion startup na Helion Energy. Sa ilalim ng kasunduan, inaasahang magbibigay ang Helion ng kuryenteng mula sa fusion para sa mga data center ng Microsoft pagsapit ng 2028.

Sinusuportahan din ng venture capital arm ng SoftBank at ni Sam Altman ng OpenAI ang Helion. Sinimulan ng kumpanya noong taon ng paglalathala ang pagtatayo ng planong fusion plant na Orion, bagaman hindi pa nito nakukuha ang lahat ng kinakailangang permit.

Sa prototype na Polaris, naghahanap ang Helion ng paraan upang makalikha ng mas maraming enerhiya kaysa sa kailangan upang simulan at panatilihin ang reaksiyon. Ayon sa punong ehekutibo nito, ikokonekta naman ang Orion sa mga network ng paghahatid ng kuryente.

Sa oras ng pagsulat, may market capitalization ang Microsoft na 3.86 trilyong dolyar. Nasa humigit-kumulang 521 dolyar ang presyo ng bahagi nito, 23.41% na mas mataas mula sa simula ng taon. Ang earnings per share sa nakaraang 12 buwan ay 13.64 dolyar, ang price-to-earnings ratio ay 38.25, at ang dividend yield ay 0.64%.

Para sa kwartong nagtapos noong Hunyo 30, 2025, ipinakita ng ulat pinansiyal ng kumpanya na tumaas ng 18% ang kita sa 76.4 bilyong dolyar. Umakyat ng 23% ang operating income sa 34.3 bilyong dolyar at ng 24% ang net income sa 27.2 bilyong dolyar. Ang diluted earnings per share ay 3.65 dolyar, 24% na mas mataas.

“Cloud at AI ang nagtutulak ng pagbabago sa negosyo sa bawat industriya at sektor.”

— Satya Nadella, punong ehekutibo

Pinakabagong balita at pagbabago sa bahagi ng Microsoft Corporation (MSFT)

Konklusyon

Isa ang nuclear fusion sa mga posibleng landas tungo sa malinis na enerhiya, ngunit mahaba at mahirap pa ang daan patungo sa komersiyal na paggamit nito. Maaaring mapabilis ng AI ang pananaliksik at pagpapaunlad na kailangan upang matupad ang layuning ito.

Gumagamit ang mga mananaliksik ng AI upang gawing mas matatag at mas abot-kaya ang mga fusion system. Maaari nitong pabilisin ang pananaliksik, makatulong sa pagkontrol sa hindi matatag na plasma, at maprotektahan ang mga bahagi ng reaktor. Ang mga hakbang na ito ay maaaring maglapit sa fusion power sa paggamit sa grid.

Basahin dito kung ano ang maaaring maging anyo ng ikaapat na henerasyon ng enerhiyang nuklear.

Mga sanggunian:

1. Degrave, J., Felici, F., Buchli, J., et al. (2022). Magnetic control of tokamak plasmas through deep reinforcement learning. Nature, 602(7897), 414–419. 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. (2024). TORAX: A fast and differentiable tokamak transport simulator in JAX. arXiv, 2406.06718. https://doi.org/10.48550/arXiv.2406.06718

3. Seo, J., Kim, S., Jalalvand, A., et al. (2024). Avoiding fusion plasma tearing instability with deep reinforcement learning. Nature, 626(8001), 746–751. https://doi.org/10.1038/s41586-024-07024-9

4. Howard, N. T., Rodriguez-Fernandez, P., Holland, C., & Candy, J. (2024). Prediction of performance and turbulence in ITER burning plasmas via nonlinear gyrokinetic profile prediction. Nuclear Fusion, 65(1), 016002. 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. (2025). Shadow masks predictions in SPARC tokamak plasma-facing components using HEAT code and machine learning methods. Fusion Engineering and Design, 217, 115010. https://doi.org/10.1016/j.fusengdes.2025.115010