In un batter d'occhio, il plasma indisciplinato e surriscaldato che guida una reazione di fusione può perdere la sua stabilità e sfuggire ai forti campi magnetici che lo confinano all'interno del reattore a fusione a forma di ciambella. Queste fughe spesso segnano la fine della reazione, ponendo una sfida fondamentale allo sviluppo della fusione come fonte di energia non inquinante e praticamente illimitata.
Ma un team guidato da Princeton, composto da ingegneri, fisici e scienziati dei dati dell’Università e del Princeton Plasma Physics Laboratory (PPPL), ha sfruttato il potere dell’intelligenza artificiale per prevedere – e quindi evitare – la formazione di uno specifico problema di plasma in condizioni reali. tempo.
Negli esperimenti presso il DIII-D National Fusion Facility di San Diego, i ricercatori hanno dimostrato che il loro modello, addestrato solo su dati sperimentali passati, poteva prevedere potenziali instabilità del plasma note come instabilità della modalità di lacerazione con un anticipo fino a 300 millisecondi.
Sebbene ciò non lasci più del tempo sufficiente per un lento battito di ciglia negli esseri umani, c'era tutto il tempo necessario al controller dell'IA per modificare alcuni parametri operativi per evitare ciò che si sarebbe trasformato in una rottura all'interno delle linee del campo magnetico del plasma, sconvolgendone l'equilibrio e aprendo la porta per una fuga senza reazione.
"Imparando dagli esperimenti passati, piuttosto che incorporare informazioni da modelli basati sulla fisica, l'intelligenza artificiale potrebbe sviluppare una politica di controllo finale che supporti un regime di plasma stabile e ad alta potenza in tempo reale, in un vero reattore", ha affermato il leader della ricerca Egemen Kolemen , professore associato di ingegneria meccanica e aerospaziale e dell'Andlinger Center for Energy and the Environment, nonché fisico ricercatore presso PPPL.
La ricerca apre la porta a un controllo più dinamico di una reazione di fusione rispetto agli approcci attuali e fornisce una base per l’utilizzo dell’intelligenza artificiale per risolvere un’ampia gamma di instabilità del plasma, che sono stati a lungo ostacoli al raggiungimento di una reazione di fusione sostenuta. Il team ha pubblicato le proprie scoperte su Nature il 21 febbraio.
"Gli studi precedenti si sono generalmente concentrati sulla soppressione o sulla mitigazione degli effetti di queste instabilità di lacerazione dopo che si sono verificate nel plasma", ha affermato il primo autore Jaemin Seo, assistente professore di fisica presso l'Università di Chung-Ang in Corea del Sud, che ha eseguito gran parte del lavoro. mentre ricercatore post-dottorato nel gruppo di Kolemen. "Ma il nostro approccio ci consente di prevedere ed evitare tali instabilità prima che si manifestino."
La fusione avviene quando due atomi, solitamente atomi leggeri come l’idrogeno, si uniscono per formare un atomo più pesante, rilasciando una grande quantità di energia nel processo. Il processo alimenta il sole e, per estensione, rende possibile la vita sulla Terra.
Tuttavia, far sì che i due atomi si fondano è complicato, poiché sono necessarie enormi quantità di pressione ed energia affinché i due atomi superino la loro reciproca repulsione.
Fortunatamente per il sole, la sua massiccia attrazione gravitazionale e le pressioni estremamente elevate al suo interno consentono alle reazioni di fusione di procedere. Per replicare un processo simile sulla Terra, gli scienziati utilizzano invece plasma estremamente caldo e magneti estremamente potenti.
Nei dispositivi a forma di ciambella noti come tokamak, a volte definiti "stelle in barattolo", i campi magnetici faticano a contenere plasma che raggiungono oltre 100 milioni di gradi Celsius, più caldi del centro del sole.
Sebbene esistano molti tipi di instabilità del plasma che possono interrompere la reazione, il team di Princeton si è concentrato sulla risoluzione delle instabilità della modalità di lacerazione, un disturbo in cui le linee del campo magnetico all'interno di un plasma effettivamente si rompono e creano un'opportunità per la successiva fuga del plasma.
"Le instabilità della modalità di lacerazione sono una delle principali cause di disgregazione del plasma e diventeranno ancora più evidenti quando proveremo a eseguire reazioni di fusione alle elevate potenze richieste per produrre energia sufficiente", ha affermato Seo. "Per noi rappresentano una sfida importante da risolvere."
Poiché le instabilità della modalità di lacerazione possono formare e far deragliare una reazione di fusione in millisecondi, i ricercatori si sono rivolti all'intelligenza artificiale per la sua capacità di elaborare rapidamente e agire in risposta a nuovi dati.
Ma il processo per sviluppare un controller IA efficace non è stato semplice come provare alcune cose su un tokamak, dove il tempo è limitato e la posta in gioco è alta.
Il coautore Azarakhsh Jalalvand, uno studioso di ricerca del gruppo di Kolemen, ha paragonato l'insegnamento di un algoritmo per eseguire una reazione di fusione in un tokamak all'insegnamento a qualcuno come pilotare un aereo.
"Non insegneresti a qualcuno consegnandogli un mazzo di chiavi e dicendogli di fare del suo meglio", ha detto Jalalvand. "Invece, li faresti esercitarsi su un simulatore di volo molto intricato finché non avranno imparato abbastanza per provare il volo reale."
Come nello sviluppo di un simulatore di volo, il team di Princeton ha utilizzato i dati di esperimenti passati presso il tokamak DIII-D per costruire una rete neurale profonda in grado di prevedere la probabilità di una futura instabilità lacerante basata sulle caratteristiche del plasma in tempo reale.
Hanno usato quella rete neurale per addestrare un algoritmo di apprendimento per rinforzo. Come un tirocinante pilota, l'algoritmo di apprendimento per rinforzo poteva provare diverse strategie per il controllo del plasma, apprendendo attraverso prove ed errori quali strategie funzionavano e quali no nella sicurezza di un ambiente simulato.
"Non insegniamo al modello di apprendimento per rinforzo tutta la complessa fisica di una reazione di fusione", ha detto Jalalvand. "Gli diciamo qual è l'obiettivo:mantenere una reazione potente, cosa evitare, un'instabilità della modalità di strappo, e le manopole che può ruotare per ottenere tali risultati. Nel tempo, impara il percorso ottimale per raggiungere l'obiettivo di elevata potenza evitando la punizione di un'instabilità."
Mentre il modello veniva sottoposto a innumerevoli esperimenti di fusione simulata, cercando di trovare modi per mantenere elevati livelli di potenza evitando instabilità, il coautore SangKyeun Kim poteva osservare e perfezionare le sue azioni.
"Sullo sfondo, possiamo vedere le intenzioni del modello", ha detto Kim, ricercatore presso il PPPL ed ex ricercatore post-dottorato nel gruppo di Kolemen. "Alcuni dei cambiamenti richiesti dal modello sono troppo rapidi, quindi lavoriamo per ammorbidire e calmare il modello. Come esseri umani, giudichiamo tra ciò che l'intelligenza artificiale vuole fare e ciò che il tokamak può accogliere."
Una volta acquisiti fiducia nelle capacità del controller AI, lo hanno testato durante un vero esperimento di fusione sul tokamak D-III D, osservando come il controller apportava modifiche in tempo reale a determinati parametri del tokamak per evitare l'insorgere di un'instabilità. Questi parametri includevano la modifica della forma del plasma e la forza dei raggi che immettono energia nella reazione.
"Essere in grado di prevedere le instabilità in anticipo può rendere più semplice l'esecuzione di queste reazioni rispetto agli approcci attuali, che sono più passivi", ha affermato Kim. "Non dobbiamo più aspettare che si verifichino le instabilità e quindi intraprendere una rapida azione correttiva prima che il plasma venga interrotto."
Anche se i ricercatori hanno affermato che il lavoro è una promettente prova di concetto che dimostra come l'intelligenza artificiale possa controllare efficacemente le reazioni di fusione, si tratta solo di uno dei tanti passi successivi già in corso nel gruppo di Kolemen per far avanzare il campo della ricerca sulla fusione.
Il primo passo è ottenere maggiori prove del controller AI in azione sul tokamak DIII-D, quindi espandere il controller per funzionare su altri tokamak.
"Abbiamo prove evidenti che il controller funziona abbastanza bene in DIII-D, ma abbiamo bisogno di più dati per dimostrare che può funzionare in una serie di situazioni diverse", ha affermato il primo autore Seo. "Vogliamo lavorare verso qualcosa di più universale."
Una seconda linea di ricerca prevede l’espansione dell’algoritmo per gestire contemporaneamente molti problemi di controllo diversi. Sebbene il modello attuale utilizzi un numero limitato di diagnostiche per evitare un tipo specifico di instabilità, i ricercatori potrebbero fornire dati su altri tipi di instabilità e dare accesso a più manopole per la regolazione del controller AI.
"Si potrebbe immaginare una grande funzione di ricompensa che gira molte manopole diverse per controllare simultaneamente diversi tipi di instabilità", ha detto il coautore Ricardo Shousha, un postdoc presso PPPL ed ex studente laureato nel gruppo di Kolemen che ha fornito supporto per gli esperimenti al DIII- D.
E nel percorso verso lo sviluppo di migliori controller IA per le reazioni di fusione, i ricercatori potrebbero anche acquisire una maggiore comprensione della fisica sottostante. Studiando le decisioni del controller dell'IA nel tentativo di contenere il plasma, che possono essere radicalmente diverse da quanto prescritto dagli approcci tradizionali, l'intelligenza artificiale potrebbe diventare non solo uno strumento per controllare le reazioni di fusione ma anche una risorsa didattica.
"Alla fine, potrebbe trattarsi di qualcosa di più di una semplice interazione unidirezionale tra gli scienziati che sviluppano e implementano questi modelli di intelligenza artificiale", ha affermato Kolemen. "Studiandoli più in dettaglio, potrebbero avere alcune cose che possono insegnarci anche a noi."
Ulteriori informazioni: Egemen Kolemen, Evitare l'instabilità lacerante nel plasma di fusione utilizzando l'apprendimento per rinforzo profondo, Natura (2024). DOI:10.1038/s41586-024-07024-9. www.nature.com/articles/s41586-024-07024-9
Informazioni sul giornale: Natura
Fornito dall'Università di Princeton
