Kunstig intelligens hjælper med at forhindre forstyrrelser i fusionsenheder

Et internationalt hold af videnskabsmænd ledet af en kandidatstuderende ved US Department of Energy's (DOE) Princeton Plasma Physics Laboratory (PPPL) har demonstreret brugen af ​​kunstig intelligens (AI), det samme computerkoncept, der vil styrke selvkørende biler, at forudsige og undgå forstyrrelser - den pludselige frigivelse af energi, der er lagret i plasmaet, der giver næring til fusionsreaktioner - som kan standse reaktionerne og skade fusionsfaciliteter alvorligt.

Risiko for forstyrrelser

Fusionsenheder kaldet tokamaks løber øget risiko for forstyrrelser, da forskere, sigter på at maksimere fusionskraften for at skabe den fusion på Jorden, der driver solen og stjernerne, støde op mod faciliteternes driftsmæssige grænser. Forskere skal således være i stand til at øge fusionskraften uden at ramme disse grænser. Denne evne vil være afgørende for ITER, den store internationale tokamak under opførelse i Frankrig for at demonstrere det praktiske ved fusionsenergi.

Fusionsreaktioner kombinerer lette elementer i form af plasma - det varme, ladet tilstand af stof sammensat af frie elektroner og atomkerner, der udgør 99 procent af det synlige univers - for at generere enorme mængder energi. Forskere over hele verden søger at skabe fusion til en praktisk talt uudtømmelig forsyning af sikker og ren strøm til at generere elektricitet.

Forskerne trænede en AI-maskinelæringsalgoritme, eller et sæt regler, på tusinder af tidligere forsøg på DIII-D National Fusion Facility, som General Atomics driver for DOE. Forskere anvendte derefter reglerne i realtid på igangværende DIII-D-eksperimenter og fandt algoritmen, der var i stand til at forudsige sandsynligheden for forstyrrelser og igangsætte handlinger, der afværgede begyndelsen af ​​forstyrrelser.

Relativt simpel model

"Det er fascinerende at se, at en relativt simpel maskinlæringsmodel nøjagtigt kunne forudsige den komplicerede adfærd af fusionsplasma, "sagde Yichen Fu, en kandidatstuderende i Princeton-programmet i Plasmafysik ved PPPL og hovedforfatter på et papir, der beskriver resultaterne i Plasmas fysik og fremvist i en fremhævet American Institute of Physics -publikation kaldet "SciLight". "Det er fantastisk at se studerende lede multi-institutionelle teams og gøre en reel indflydelse på udviklingen af ​​maskinlæringsmetoder til kontrol af fusionsplasmaer, " sagde PPPL-fysiker Egemen Kolemen, vejleder for Yichens arbejde og assisterende professor i Mechanical and Aerospace Engineering ved Princeton University.

Resultaterne markerer endnu et skridt hen imod at forhindre forstyrrelser i ITER og næste generations faciliteter, sagde fysiker Raffi Nazikian, leder af ITER- og Tokamak-afdelingen hos PPPL. "Dette arbejde repræsenterer betydelige fremskridt i brugen af ​​maskinlæring til at udvikle en forstyrrelsesforudsigelse og -undgåelsesmetode i fusionsenheder, " sagde Nazikian. "Men, der kræves stadig en masse R&D for at forbedre forudsigelsernes nøjagtighed og for at udvikle fejlsikre kontrolmetoder for at undgå afbrydelser i ITER og fremtidige reaktorer. "