Plasma im TCV-Tokamak. (Curdin Wüthrich/SPC/EPFL) Erfolgreich erreichen Kernfusion verspricht, eine unbegrenzte, nachhaltige Quelle sauberer Energie zu liefern, aber wir können diesen unglaublichen Traum nur verwirklichen, wenn wir die komplexe Physik beherrschen, die im Inneren des Reaktors abläuft.
Seit Jahrzehnten gehen Wissenschaftler schrittweise vor Schritte in Richtung dieses Ziels , aber es bleiben noch viele Herausforderungen. Eines der Haupthindernisse besteht darin, das instabile und überhitzte Plasma im Reaktor erfolgreich zu kontrollieren – doch ein neuer Ansatz zeigt, wie wir dies erreichen können.
In einer gemeinsamen Anstrengung des Swiss Plasma Center (SPC) der EPFL und künstliche Intelligenz (KI) Forschungsunternehmen DeepMind, Wissenschaftler verwendeten a tiefes verstärkendes Lernen (RL)-System zur Untersuchung der Nuancen des Plasmaverhaltens und der Plasmakontrolle in einem Fusionsmusik – ein donutförmiges Gerät, das eine Reihe von Magnetspulen verwendet, die um den Reaktor herum angeordnet sind, um das Plasma im Inneren zu steuern und zu manipulieren.
Es ist kein einfacher Balanceakt, da die Spulen eine große Anzahl subtiler Spannungsanpassungen erfordern, bis zu Tausenden von Malen pro Sekunde, um das Plasma erfolgreich in Magnetfeldern zu halten.
3D-Modell des TCV-Vakuumbehälters. (DeepMind/SPC/EPFL)
Um Kernfusionsreaktionen aufrechtzuerhalten – was bedeutet, dass das Plasma bei Hunderten von Millionen Grad Celsius stabil gehalten wird, heißer als sogar der Kern der Sonne – sind komplexe, mehrschichtige Systeme zur Steuerung der Spulen erforderlich.
In einem neue Studie Forscher zeigen jedoch, dass ein einziges KI-System die Aufgabe ganz alleine bewältigen kann.
„Mithilfe einer Lernarchitektur, die Deep RL und eine simulierte Umgebung kombiniert, haben wir Controller entwickelt, die sowohl das Plasma stabil halten als auch dazu verwendet werden können, es präzise in verschiedene Formen zu formen.“ erklärt das Team in einem DeepMind-Blogbeitrag.
Um das Kunststück zu vollbringen, trainierten die Forscher ihr KI-System in einem Tokamak-Simulator, in dem die maschinelles Lernen System, das durch Versuch und Irrtum herausgefunden hat, wie man die Komplexität des magnetischen Einschlusses von Plasma bewältigt.
Nach ihrem Trainingsfenster ging die KI auf die nächste Stufe – sie wandte das, was sie im Simulator gelernt hatte, in der realen Welt an.
Visualisierung kontrollierter Plasmaformen. (DeepMind/SPC/EPFL)
Durch die Steuerung der SPCs Tokamak mit variabler Konfiguration (TCV) formte das RL-System Plasma innerhalb des Reaktors in eine Reihe verschiedener Formen, darunter eine, die noch nie zuvor im TCV gesehen wurde: stabilisierende „Tröpfchen“, bei denen zwei Plasmen gleichzeitig im Inneren des Geräts existierten.
Zusätzlich zu herkömmlichen Formen könnte die KI auch erweiterte Konfigurationen erzeugen und das Plasma in „negative Dreiecks“- und „Schneeflocken“-Konfigurationen formen.
Jede dieser Erscheinungsformen birgt ein unterschiedliches Potenzial für die zukünftige Energiegewinnung, wenn wir Kernfusionsreaktionen aufrechterhalten können. Eine der hier vom System gesteuerten Konfigurationen, die „ITER-ähnliche Form“ (wie oben gezeigt), könnte für zukünftige Untersuchungen durch das System besonders vielversprechend sein Internationaler thermonuklearer Versuchsreaktor (ITER) – das weltweit größte Kernfusionsexperiment, das derzeit in Frankreich gebaut wird.
Den Forschern zufolge ist die magnetische Beherrschung dieser Plasmaformationen entscheidend repräsentiert „eines der anspruchsvollsten realen Systeme, auf das Reinforcement Learning angewendet wurde“ und könnte eine radikal neue Richtung bei der Gestaltung realer Tokamaks einschlagen.
Tatsächlich meinen einige, dass das, was wir hier sehen, die Zukunft fortschrittlicher Plasmakontrollsysteme in Fusionsreaktoren grundlegend verändern wird.
„Diese KI ist meiner Meinung nach der einzige Weg nach vorne“, sagte der Physiker Gianluca Sarri von der Queen's University Belfast, der nicht an der Studie beteiligt war Neuer Wissenschaftler .
„Es gibt so viele Variablen, und eine kleine Änderung an einer davon kann eine große Änderung im Endergebnis bewirken.“ Wenn man es manuell versucht, ist das ein sehr langwieriger Prozess.“
Über die Ergebnisse wird berichtet Natur .