Brug af kunstig intelligens til at fremskynde og forbedre de mest beregningsintensive aspekter af plasmafysik i fusion

Den indviklede dans af atomer, der smelter sammen og frigiver energi, har fascineret videnskabsmænd i årtier. Nu samles menneskelig opfindsomhed og kunstig intelligens i det amerikanske energiministeriums (DOE) Princeton Plasma Physics Laboratory (PPPL) for at løse et af menneskehedens mest presserende problemer:at generere ren, pålidelig energi fra sammensmeltning af plasma.

I modsætning til traditionel computerkode er maskinlæring – en type kunstigt intelligent software – ikke blot en liste over instruktioner. Machine learning er software, der kan analysere data, udlede sammenhænge mellem funktioner, lære af denne nye viden og tilpasse sig. PPPL-forskere mener, at denne evne til at lære og tilpasse sig kan forbedre deres kontrol over fusionsreaktioner på forskellige måder. Dette omfatter perfektion af designet af beholdere, der omgiver det supervarme plasma, optimering af opvarmningsmetoder og opretholdelse af stabil kontrol over reaktionen i stadig længere perioder.

Laboratoriets forskning i kunstig intelligens giver allerede betydelige resultater. I et nyt papir offentliggjort i Nature Communications , forklarer PPPL-forskere, hvordan de brugte maskinlæring til at undgå magnetiske forstyrrelser eller forstyrrelser, som destabiliserer fusionsplasma.

"Resultaterne er særligt imponerende, fordi vi var i stand til at opnå dem på to forskellige tokamaks ved hjælp af den samme kode," sagde PPPL Staff Research Physicist SangKyeun Kim, hovedforfatteren af ​​papiret. En tokamak er en donut-formet enhed, der bruger magnetiske felter til at holde et plasma.

"Der er ustabiliteter i plasma, der kan føre til alvorlige skader på fusionsenheden. Dem kan vi ikke have i et kommercielt fusionsfartøj. Vores arbejde fremmer feltet og viser, at kunstig intelligens kan spille en vigtig rolle i styringen af ​​fusionsreaktioner fremadrettet. , undgå ustabilitet, samtidig med at plasmaet kan generere så meget fusionsenergi som muligt," sagde Egemen Kolemen, lektor i afdelingen for mekanisk og rumfartsteknik, udnævnt i fællesskab med Andlinger Center for Energi og Miljø og PPPL.

Vigtige beslutninger skal træffes hvert millisekund for at kontrollere et plasma og holde en fusionsreaktion i gang. Kolemens system kan træffe disse beslutninger langt hurtigere end et menneske og automatisk justere indstillingerne for fusionskarret, så plasmaet vedligeholdes korrekt. Systemet kan forudsige forstyrrelser, finde ud af, hvilke indstillinger der skal ændres og derefter foretage disse ændringer, inden ustabiliteten opstår.

Kolemen bemærker, at resultaterne også er imponerende, fordi plasmaet i begge tilfælde var i en høj indeslutningstilstand. Også kendt som H-mode opstår dette, når et magnetisk indesluttet plasma opvarmes nok til, at indeslutningen af ​​plasmaet pludselig og væsentligt forbedres, og turbulensen ved plasmaets kant forsvinder effektivt. H-tilstand er den sværeste tilstand at stabilisere, men også den tilstand, der vil være nødvendig for kommerciel elproduktion.

Systemet blev med succes implementeret på to tokamaks, DIII-D og KSTAR, som begge opnåede H-mode uden ustabilitet. Det er første gang, at forskere opnåede denne bedrift i et reaktormiljø, der er relevant for, hvad der vil være nødvendigt for at implementere fusionskraft i kommerciel skala.

PPPL har en betydelig historie med at bruge kunstig intelligens til at tæmme ustabiliteter. PPPL hovedforskningsfysiker William Tang og hans team var de første til at demonstrere evnen til at overføre denne proces fra en tokamak til en anden i 2019.

"Vores arbejde opnåede gennembrud ved hjælp af kunstig intelligens og maskinlæring sammen med kraftfulde, moderne højtydende computerressourcer til at integrere enorme mængder data på tusindedele af et sekund og udvikle modeller til at håndtere forstyrrende fysikhændelser i god tid før deres start," sagde Tang. "Du kan ikke effektivt bekæmpe forstyrrelser på mere end et par millisekunder. Det ville være som at begynde at behandle en dødelig kræftsygdom, efter at den allerede er for langt væk."

Arbejdet blev beskrevet detaljeret i et papir udgivet i Nature i 2019. Tang og hans team fortsætter med at arbejde på dette område med vægt på at eliminere realtidsforstyrrelser i tokamaks ved hjælp af maskinlæringsmodeller trænet på korrekt verificerede og validerede observationsdata.

Et nyt twist på stellaratordesignet

PPPLs kunstige intelligensprojekter for fusion strækker sig ud over tokamaks. PPPL's ​​Head of Digital Engineering, Michael Churchill, bruger maskinlæring til at forbedre designet af en anden type fusionsreaktor, en stellarator. Hvis tokamaks ligner donuts, kan stjernemagere ses som fusionsverdenens crullers med et mere komplekst, snoet design.

"Vi er nødt til at udnytte en masse forskellige koder, når vi validerer designet af en stellarator.

Så spørgsmålet bliver:"Hvad er de bedste koder til stjerneratordesign og de bedste måder at bruge dem på?" sagde Churchill. "Det er en balancegang mellem detaljeringsgraden i beregningerne og hvor hurtigt de giver svar."

Nuværende simuleringer for tokamaks og stellaratorer kommer tæt på den ægte vare, men er endnu ikke tvillinger. "Vi ved, at vores simuleringer ikke er 100 % tro mod den virkelige verden. Mange gange ved vi, at der er mangler. Vi tror, ​​at det fanger meget af den dynamik, som du ville se på en fusionsmaskine, men der er en del det gør vi ikke."

Churchill sagde ideelt set, at du vil have en digital tvilling:et system med en feedback-loop mellem simulerede digitale modeller og data fra den virkelige verden, der er fanget i eksperimenter. "I en nyttig digital tvilling kunne disse fysiske data bruges og udnyttes til at opdatere den digitale model for bedre at forudsige, hvordan den fremtidige ydeevne ville være."

Ikke overraskende kræver efterligning af virkeligheden en masse meget sofistikeret kode. Udfordringen er, at jo mere kompliceret koden er, jo længere tid tager det typisk at køre. For eksempel kan en almindeligt brugt kode kaldet X-Point Included Gyrokinetic Code (XGC) kun køre på avancerede supercomputere, og selv da kører den ikke hurtigt.

"Du kommer ikke til at køre XGC, hver gang du kører et fusionseksperiment, medmindre du har en dedikeret exascale supercomputer. Vi har sandsynligvis kørt den på 30 til 50 plasmaudladninger [af de tusinder, vi har kørt]," sagde Churchill.

Det er derfor, Churchill bruger kunstig intelligens til at accelerere forskellige koder og selve optimeringsprocessen. "Vi vil virkelig gerne lave mere pålidelige beregninger, men meget hurtigere, så vi kan optimere hurtigt," sagde han.

Kodning for at optimere kode

På samme måde bruger forskningsfysiker Stefano Munarettos team kunstig intelligens til at accelerere en kode kaldet HEAT, som oprindeligt blev udviklet af DOE's Oak Ridge National Laboratory og University of Tennessee-Knoxville til PPPL's ​​tokamak NSTX-U.

HEAT bliver opdateret, så plasmasimuleringen bliver 3D, der matcher 3D computerstøttet design (CAD) model af tokamak divertor. Placeret ved bunden af ​​fusionsbeholderen udvinder diverteren varme og aske, der genereres under reaktionen. En 3D plasmamodel bør øge forståelsen af, hvordan forskellige plasmakonfigurationer kan påvirke varmestrømme eller varmebevægelsesmønstrene i tokamak. Forståelse af varmebevægelsen for en specifik plasmakonfiguration kan give indsigt i, hvordan varme sandsynligvis vil bevæge sig i en fremtidig udledning med et lignende plasma.

Ved at optimere HEAT håber forskerne hurtigt at køre den komplekse kode mellem plasmaoptagelser ved at bruge information om det sidste skud til at beslutte det næste.

"Dette ville give os mulighed for at forudsige de varmefluxer, der vil dukke op i det næste skud og potentielt nulstille parametrene for det næste skud, så varmefluxen ikke er for intens for aflederen," sagde Munaretto. "Dette arbejde kan også hjælpe os med at designe fremtidige fusionskraftværker."

PPPL Associate Research Physicist Doménica Corona Rivera har været dybt involveret i bestræbelserne på at optimere HEAT. Nøglen er at indsnævre en lang række inputparametre til kun fire eller fem, så koden bliver strømlinet og alligevel meget nøjagtig. "Vi er nødt til at spørge:"Hvilke af disse parametre er meningsfulde og vil virkelig påvirke varmen?" sagde Corona Rivera. Det er nøgleparametrene, der bruges til at træne maskinlæringsprogrammet.

Med støtte fra Churchill og Munaretto har Corona Rivera allerede reduceret den tid, det tager at køre koden for at tage højde for varmen, og samtidig holde resultaterne omkring 90 % synkroniserede med resultaterne fra den originale version af HEAT. "Det er øjeblikkeligt," sagde hun.

Find de rigtige betingelser for ideel opvarmning

Forskere forsøger også at finde de bedste betingelser for at opvarme ionerne i plasmaet ved at perfektionere en teknik kendt som ion cyclotron radio frequency heating (ICRF). Denne type opvarmning fokuserer på at opvarme de store partikler i plasmaet - ionerne.

Plasma har forskellige egenskaber, såsom tæthed, tryk, temperatur og intensiteten af ​​det magnetiske felt. Disse egenskaber ændrer, hvordan bølgerne interagerer med plasmapartiklerne og bestemmer bølgernes veje og områder, hvor bølgerne vil opvarme plasmaet. Kvantificering af disse effekter er afgørende for at kontrollere radiofrekvensopvarmningen af ​​plasmaet, så forskerne kan sikre, at bølgerne bevæger sig effektivt gennem plasmaet for at opvarme det i de rigtige områder.

Problemet er, at standardkoderne, der bruges til at simulere plasma- og radiobølgeinteraktioner, er meget komplicerede og kører for langsomt til at blive brugt til at træffe beslutninger i realtid.

"Maskinlæring giver os her et stort potentiale for at optimere koden," sagde Álvaro Sánchez Villar, associeret forskningsfysiker ved PPPL. "Dybest set kan vi kontrollere plasmaet bedre, fordi vi kan forudsige, hvordan plasmaet kommer til at udvikle sig, og vi kan korrigere det i realtid."

Projektet fokuserer på at prøve forskellige former for maskinlæring for at fremskynde en meget brugt fysikkode. Sánchez Villar og hans team viste flere accelererede versioner af koden til forskellige fusionsenheder og typer opvarmning. Modellerne kan finde svar på mikrosekunder i stedet for minutter med minimal indflydelse på resultaternes nøjagtighed. Sánchez Villar og hans team var også i stand til at bruge maskinlæring til at eliminere udfordrende scenarier med den optimerede kode.

Sánchez Villar siger, at kodens nøjagtighed, "øgede robusthed" og acceleration gør den velegnet til integreret modellering, hvor mange fysikkoder bruges sammen, og realtidsstyringsapplikationer, som er afgørende for fusionsforskning.

Forbedring af vores forståelse af plasmaens kant

PPPL Principal Research Physicist Fatima Ebrahimi er hovedefterforsker på et fireårigt projekt for DOE's Advanced Scientific Computing Research-program, en del af Office of Science, som bruger eksperimentelle data fra forskellige tokamaks, plasmasimuleringsdata og kunstig intelligens til at studere adfærden af plasmaets kant under fusion. Holdet håber, at deres resultater vil afsløre de mest effektive måder at begrænse et plasma på en tokamak i kommerciel skala.

Selvom projektet har flere mål, er målet klart fra et maskinlæringsperspektiv. "Vi vil undersøge, hvordan maskinlæring kan hjælpe os med at udnytte alle vores data og simuleringer, så vi kan lukke de teknologiske huller og integrere et højtydende plasma i et levedygtigt fusionskraftværkssystem," sagde Ebrahimi.

Der er et væld af eksperimentelle data indsamlet fra tokamaks verden over, mens enhederne fungerede i en tilstand fri for storskala ustabilitet ved plasmaets kant kendt som edge-localized modes (ELM'er). Sådanne øjeblikkelige, eksplosive ELM'er skal undgås, fordi de kan beskadige de indre komponenter i en tokamak, trække urenheder fra tokamak-væggene ind i plasmaet og gøre fusionsreaktionen mindre effektiv. Spørgsmålet er, hvordan man opnår en ELM-fri tilstand i en tokamak i kommerciel skala, som vil være meget større og køre meget varmere end nutidens eksperimentelle tokamaks.

Ebrahimi og hendes team vil kombinere de eksperimentelle resultater med information fra plasmasimuleringer, der allerede er blevet valideret mod eksperimentelle data for at skabe en hybrid database. Databasen vil derefter blive brugt til at træne maskinlæringsmodeller om plasmastyring, som derefter kan bruges til at opdatere simuleringen.

"Der er noget frem og tilbage mellem træningen og simuleringen," forklarede Ebrahimi.

Ved at køre en high-fidelity-simulering af maskinlæringsmodellen på supercomputere kan forskerne derefter opstille hypoteser om scenarier ud over dem, der er dækket af de eksisterende data. Dette kunne give værdifuld indsigt i de bedste måder at styre plasmaets kant på i kommerciel skala.

Flere oplysninger: S. K. Kim et al., Højeste fusionsydelse uden skadelige kantenergiudbrud i tokamak, Nature Communications (2024). DOI:10.1038/s41467-024-48415-w

Journaloplysninger: Nature Communications , Natur

Leveret af Princeton Plasma Physics Laboratory