L’intricata danza degli atomi che si fondono e rilasciano energia affascina gli scienziati da decenni. Ora l'ingegno umano e l'intelligenza artificiale si uniscono presso il Princeton Plasma Physics Laboratory (PPPL) del Dipartimento dell'Energia degli Stati Uniti (DOE) per risolvere uno dei problemi più urgenti dell'umanità:generare energia pulita e affidabile dalla fusione del plasma.
A differenza del codice informatico tradizionale, l'apprendimento automatico, un tipo di software artificialmente intelligente, non è semplicemente un elenco di istruzioni. L’apprendimento automatico è un software in grado di analizzare dati, dedurre relazioni tra caratteristiche, imparare da questa nuova conoscenza e adattarsi. I ricercatori del PPPL ritengono che questa capacità di apprendere e adattarsi potrebbe migliorare il loro controllo sulle reazioni di fusione in vari modi. Ciò include il perfezionamento della progettazione dei recipienti che circondano il plasma surriscaldato, l'ottimizzazione dei metodi di riscaldamento e il mantenimento di un controllo stabile della reazione per periodi sempre più lunghi.
La ricerca sull'intelligenza artificiale del laboratorio sta già dando risultati significativi. In un nuovo articolo pubblicato su Nature Communications , i ricercatori del PPPL spiegano come hanno utilizzato l'apprendimento automatico per evitare perturbazioni magnetiche o interruzioni che destabilizzano il plasma di fusione.
"I risultati sono particolarmente impressionanti perché siamo stati in grado di ottenerli su due diversi tokamak utilizzando lo stesso codice", ha affermato SangKyeun Kim, fisico ricercatore dello staff del PPPL, autore principale dell'articolo. Un tokamak è un dispositivo a forma di ciambella che utilizza campi magnetici per trattenere il plasma.
"Ci sono instabilità nel plasma che possono portare a gravi danni al dispositivo di fusione. Non possiamo averle in un recipiente di fusione commerciale. Il nostro lavoro fa avanzare il campo e mostra che l'intelligenza artificiale potrebbe svolgere un ruolo importante nella gestione delle reazioni di fusione in futuro , evitando instabilità e consentendo al plasma di generare quanta più energia di fusione possibile", ha affermato Egemen Kolemen, professore associato presso il dipartimento di ingegneria meccanica e aerospaziale, nominato congiuntamente con il Centro Andlinger per l'energia e l'ambiente e il PPPL.
Ogni millisecondo è necessario prendere decisioni importanti per controllare il plasma e mantenere attiva la reazione di fusione. Il sistema di Kolemen può prendere queste decisioni molto più velocemente di un essere umano e regolare automaticamente le impostazioni del vaso di fusione in modo che il plasma venga mantenuto correttamente. Il sistema è in grado di prevedere le interruzioni, capire quali impostazioni modificare e quindi apportare tali modifiche prima che si verifichino le instabilità.
Kolemen nota che i risultati sono impressionanti anche perché, in entrambi i casi, il plasma era in modalità ad alto confinamento. Conosciuta anche come modalità H, questa si verifica quando un plasma confinato magneticamente viene riscaldato abbastanza da far sì che il confinamento del plasma migliori improvvisamente e in modo significativo e la turbolenza ai bordi del plasma effettivamente scompaia. La modalità H è la modalità più difficile da stabilizzare, ma anche la modalità che sarà necessaria per la produzione di energia commerciale.
Il sistema è stato implementato con successo su due tokamak, DIII-D e KSTAR, che hanno entrambi raggiunto la modalità H senza instabilità. Questa è la prima volta che i ricercatori raggiungono questa impresa in un reattore rilevante per ciò che sarà necessario per distribuire l'energia da fusione su scala commerciale.
Il PPPL ha una storia significativa nell’uso dell’intelligenza artificiale per domare le instabilità. William Tang, fisico ricercatore principale del PPPL, e il suo team sono stati i primi a dimostrare la capacità di trasferire questo processo da un tokamak a un altro nel 2019.
"Il nostro lavoro ha raggiunto risultati rivoluzionari utilizzando l'intelligenza artificiale e l'apprendimento automatico insieme a potenti e moderne risorse di calcolo ad alte prestazioni per integrare grandi quantità di dati in millesimi di secondo e sviluppare modelli per affrontare eventi fisici dirompenti ben prima del loro verificarsi", ha affermato Tang. "Non è possibile combattere efficacemente i disturbi in più di pochi millisecondi. Sarebbe come iniziare a curare un cancro mortale quando è già troppo avanti."
Il lavoro è stato dettagliato in un articolo pubblicato su Nature nel 2019. Tang e il suo team continuano a lavorare in quest'area, ponendo l'accento sull'eliminazione delle interruzioni in tempo reale nei tokamak utilizzando modelli di apprendimento automatico addestrati su dati osservativi adeguatamente verificati e convalidati.
I progetti di intelligenza artificiale di PPPL per la fusione si estendono oltre i tokamak. Il capo dell'ingegneria digitale di PPPL, Michael Churchill, utilizza l'apprendimento automatico per migliorare la progettazione di un altro tipo di reattore a fusione, uno stellarator. Se i tokamak assomigliano a ciambelle, gli stellarator potrebbero essere visti come i cruller del mondo della fusione con un design più complesso e contorto.
"Dobbiamo sfruttare molti codici diversi quando convalidiamo il progetto di uno stellarator.
Quindi la domanda diventa:"Quali sono i codici migliori per la progettazione degli stellarator e i modi migliori per usarli?", Ha detto Churchill. "Si tratta di un atto di equilibrio tra il livello di dettaglio dei calcoli e la rapidità con cui producono le risposte."
Le simulazioni attuali per tokamak e stellarator si avvicinano alla realtà ma non sono ancora gemelle. "Sappiamo che le nostre simulazioni non sono fedeli al 100% al mondo reale. Molte volte sappiamo che ci sono delle carenze. Pensiamo che catturino molte delle dinamiche che vedresti su una macchina a fusione, ma ce n'è un bel po'." che non lo facciamo."
Churchill ha affermato che, idealmente, si vorrebbe un gemello digitale:un sistema con un ciclo di feedback tra modelli digitali simulati e dati del mondo reale catturati negli esperimenti. "In un utile gemello digitale, i dati fisici potrebbero essere utilizzati e sfruttati per aggiornare il modello digitale al fine di prevedere meglio quali sarebbero le prestazioni future."
Non sorprende che imitare la realtà richieda un codice molto sofisticato. La sfida è che quanto più complicato è il codice, tanto più tempo è generalmente necessario per l'esecuzione. Ad esempio, un codice comunemente utilizzato chiamato X-Point Included Gyrotechnic Code (XGC) può essere eseguito solo su supercomputer avanzati e, anche in questo caso, non viene eseguito rapidamente.
"Non eseguirai l'XGC ogni volta che esegui un esperimento di fusione a meno che non disponi di un supercomputer exascala dedicato. Probabilmente lo abbiamo eseguito su 30-50 scariche di plasma [delle migliaia che abbiamo eseguito]", ha detto Churchill.
Ecco perché Churchill utilizza l'intelligenza artificiale per accelerare diversi codici e il processo di ottimizzazione stesso. "Ci piacerebbe davvero eseguire calcoli ad alta precisione ma molto più velocemente in modo da poter ottimizzare rapidamente", ha affermato.
Codifica per ottimizzare il codice
Allo stesso modo, il team del fisico ricercatore Stefano Munaretto sta utilizzando l'intelligenza artificiale per accelerare un codice chiamato HEAT, originariamente sviluppato dall'Oak Ridge National Laboratory del DOE e dall'Università del Tennessee-Knoxville per il tokamak NSTX-U di PPPL.
HEAT è in fase di aggiornamento in modo che la simulazione del plasma sarà 3D, corrispondente al modello CAD 3D del divertore tokamak. Situato alla base del recipiente di fusione, il divertore estrae il calore e la cenere generati durante la reazione. Un modello di plasma 3D dovrebbe migliorare la comprensione di come le diverse configurazioni del plasma possono influenzare i flussi di calore o i modelli di movimento del calore nel tokamak. Comprendere il movimento del calore per una specifica configurazione del plasma può fornire informazioni su come il calore probabilmente viaggerà in una scarica futura con un plasma simile.
Ottimizzando HEAT, i ricercatori sperano di eseguire rapidamente il codice complesso tra le iniezioni al plasma, utilizzando le informazioni sull'ultima inquadratura per decidere quella successiva.
"Questo ci consentirebbe di prevedere i flussi di calore che appariranno nello scatto successivo e di reimpostare potenzialmente i parametri per lo scatto successivo in modo che il flusso di calore non sia troppo intenso per il divertore", ha detto Munaretto. "Questo lavoro potrebbe anche aiutarci a progettare le future centrali elettriche a fusione."
Doménica Corona Rivera, fisica ricercatrice associata del PPPL, è stata profondamente coinvolta nello sforzo di ottimizzare il CALORE. La chiave è restringere un'ampia gamma di parametri di input a soli quattro o cinque, in modo che il codice risulti snello ma estremamente accurato. "Dobbiamo chiederci:"Quali di questi parametri sono significativi e avranno un reale impatto sul calore?", ha affermato Corona Rivera. Questi sono i parametri chiave utilizzati per addestrare il programma di apprendimento automatico.
Con il supporto di Churchill e Munaretto, Corona Rivera ha già ridotto notevolmente il tempo necessario per eseguire il codice per considerare il calore, mantenendo i risultati sincronizzati per circa il 90% con quelli della versione originale di HEAT. "È istantaneo", ha detto.
I ricercatori stanno anche cercando di trovare le migliori condizioni per riscaldare gli ioni nel plasma perfezionando una tecnica nota come riscaldamento a radiofrequenza del ciclotrone ionico (ICRF). Questo tipo di riscaldamento si concentra sul riscaldamento delle grandi particelle del plasma:gli ioni.
Il plasma ha proprietà diverse, come densità, pressione, temperatura e intensità del campo magnetico. Queste proprietà cambiano il modo in cui le onde interagiscono con le particelle del plasma e determinano i percorsi delle onde e le aree in cui le onde riscalderanno il plasma. Quantificare questi effetti è fondamentale per controllare il riscaldamento a radiofrequenza del plasma in modo che i ricercatori possano garantire che le onde si muovano in modo efficiente attraverso il plasma per riscaldarlo nelle aree giuste.
Il problema è che i codici standard utilizzati per simulare le interazioni del plasma e delle onde radio sono molto complicati e funzionano troppo lentamente per essere utilizzati per prendere decisioni in tempo reale.
"L'apprendimento automatico ci offre un grande potenziale per ottimizzare il codice", ha affermato Álvaro Sánchez Villar, fisico ricercatore associato presso PPPL. "Fondamentalmente, possiamo controllare meglio il plasma perché possiamo prevedere come si evolverà e possiamo correggerlo in tempo reale."
Il progetto si concentra sulla sperimentazione di diversi tipi di apprendimento automatico per accelerare un codice fisico ampiamente utilizzato. Sánchez Villar e il suo team hanno mostrato molteplici versioni accelerate del codice per diversi dispositivi di fusione e tipi di riscaldamento. I modelli possono trovare risposte in microsecondi anziché in minuti con un impatto minimo sulla precisione dei risultati. Sánchez Villar e il suo team sono stati anche in grado di utilizzare l'apprendimento automatico per eliminare scenari impegnativi con il codice ottimizzato.
Sánchez Villar afferma che la precisione, la "maggiore robustezza" e l'accelerazione del codice lo rendono adatto alla modellazione integrata, in cui molti codici fisici vengono utilizzati insieme, e alle applicazioni di controllo in tempo reale, che sono cruciali per la ricerca sulla fusione.
La principale fisica ricercatrice del PPPL Fatima Ebrahimi è la ricercatrice principale di un progetto quadriennale per il programma Advanced Scientific Computing Research del DOE, parte dell'Office of Science, che utilizza dati sperimentali provenienti da vari tokamak, dati di simulazione del plasma e intelligenza artificiale per studiare il comportamento del bordo del plasma durante la fusione. Il team spera che i risultati rivelino i modi più efficaci per confinare il plasma su un tokamak su scala commerciale.
Sebbene il progetto abbia molteplici obiettivi, l’obiettivo è chiaro dal punto di vista dell’apprendimento automatico. "Vogliamo esplorare in che modo l'apprendimento automatico può aiutarci a sfruttare tutti i nostri dati e le nostre simulazioni in modo da poter colmare le lacune tecnologiche e integrare un plasma ad alte prestazioni in un sistema di centrale elettrica a fusione praticabile", ha affermato Ebrahimi.
Esistono numerosi dati sperimentali raccolti dai tokamak in tutto il mondo mentre i dispositivi funzionavano in uno stato privo di instabilità su larga scala ai margini del plasma, noti come modalità edge-localizzate (ELM). Tali ELM temporanei ed esplosivi devono essere evitati perché possono danneggiare i componenti interni di un tokamak, attirare impurità dalle pareti del tokamak nel plasma e rendere la reazione di fusione meno efficiente. La domanda è come ottenere uno stato privo di ELM in un tokamak su scala commerciale, che sarà molto più grande e funzionerà molto più caldo rispetto ai tokamak sperimentali di oggi.
Ebrahimi e il suo team combineranno i risultati sperimentali con le informazioni provenienti dalle simulazioni del plasma che sono già state convalidate rispetto ai dati sperimentali per creare un database ibrido. Il database verrà quindi utilizzato per addestrare modelli di apprendimento automatico sulla gestione del plasma, che potranno poi essere utilizzati per aggiornare la simulazione.
"C'è un po' di avanti e indietro tra la formazione e la simulazione", ha spiegato Ebrahimi.
Eseguendo una simulazione ad alta fedeltà del modello di apprendimento automatico sui supercomputer, i ricercatori possono quindi ipotizzare scenari che vanno oltre quelli coperti dai dati esistenti. Ciò potrebbe fornire preziose informazioni sui modi migliori per gestire il vantaggio del plasma su scala commerciale.
Ulteriori informazioni: S. K. Kim et al, Massime prestazioni di fusione senza esplosioni di energia dannose ai bordi nel tokamak, Nature Communications (2024). DOI:10.1038/s41467-024-48415-w
Informazioni sul giornale: Comunicazioni sulla natura , Natura
Fornito dal Princeton Plasma Physics Laboratory
