Den vellykkede implementering af nuklear fusion lover at give en grænseløs, bæredygtig kilde til ren energi, men vi kan kun realisere denne utrolige drøm, hvis vi mestrer den komplekse fysik, der foregår inde i reaktoren.
I løbet af årtierne har videnskabsmænd taget trinvise skridt mod dette mål, men mange problemer forbliver uløste. En af de største forhindringer er succesfuld håndtering af det ustabile og overophedede plasma i reaktoren - men en ny tilgang viser, hvordan vi kan gøre det.
I et samarbejde mellem EPFLs schweiziske plasmacenter (SPC) og kunstig intelligens (AI) virksomhed DeepMind brugte forskere et dybt forstærket læringssystem (RL) til at studere nuancerne af plasmaadfærd og kontrol i en donut-formet fusionstokamak. , som bruger en række magnetiske spoler placeret rundt om reaktoren for at kontrollere og manipulere plasmaet inde i den.
Det er en vanskelig balancegang, fordi spolerne kræver et stort antal fine spændingsjusteringer, op til tusindvis af gange i sekundet, for at holde plasmaet inden for magnetfeltet. At opretholde nukleare fusionsreaktioner - som involverer opretholdelse af plasmastabilitet ved hundredvis af millioner af grader Celsius, varmere end selv Solens kerne - kræver således komplekse systemer med flere niveauer til at kontrollere spolerne. Men i en ny undersøgelse har forskere vist, at ét kunstig intelligenssystem kan klare denne opgave på egen hånd.
"Ved at bruge en læringsarkitektur, der kombinerer dyb RL og et simuleringsmiljø, skabte vi controllere, der både kan holde plasmaet i en stabil tilstand og bruge det til nøjagtigt at gengive forskellige former," forklarer teamet i et DeepMind blogindlæg. For at opnå denne bedrift trænede forskerne deres AI-system i en tokamak-simulator, hvor maskinlæringssystemet gennem trial and error lærte, hvordan man navigerer i kompleksiteten af plasmamagnetisk indeslutning. Efter endt uddannelse tog AI det til næste niveau ved at anvende det, det lærte i simulatoren i den virkelige verden.
Ved at køre en SPC variabel konfiguration tokamak (TCV), gav RL-systemet plasmaet inde i reaktoren forskellige former, inklusive en aldrig set før i en TCV: stabiliserende "dråber", hvor to plasmaer eksisterede samtidigt inde i enheden. Ud over traditionelle former kunne AI også skabe avancerede konfigurationer, hvilket giver plasmaet "negativ trekant" og "snefnug"-former.
Hver af disse manifestationer har et forskelligt potentiale for energiproduktion i fremtiden, hvis vi kan opretholde kernefusionsreaktioner. En af de konfigurationer, der kontrolleres af dette system, den "ITER-lignende form", kan være særligt lovende for fremtidig undersøgelse ved International Thermonuclear Experimental Reactor (ITER), verdens største kernefusionseksperiment, som i øjeblikket er under opførelse i Frankrig.
Ifølge forskerne er den magnetiske kontrol af disse plasmaformationer "et af de mest komplekse systemer i den virkelige verden, som forstærkningslæring er blevet anvendt på," og kunne give en radikal ny retning i designet af tokamaks fra den virkelige verden. Ikke kun det, men nogle mener, at det fundamentalt vil ændre fremtiden for avancerede plasmakontrolsystemer i fusionsreaktorer.
Læs også: