Kontrollierbare Kernfusion hat einen neuen Durchbruch!
Seit langer Zeit wird die Kernfusion von einem „Gespenst“ geplagt – dem Problem der Plasmainstabilität.
Kürzlich nutzte ein Princeton-Team künstliche Intelligenz, um den instabilen Zustand des Kernfusionsplasmas 300 Millisekunden im Voraus erfolgreich vorherzusagen. Diese Technologie kann dazu beitragen, den magnetischen Feldeinschluss anzupassen und den Plasmaaustritt wirksam einzudämmen.
Dadurch sind Wissenschaftler nun in der Lage, Unterbrechungen der kontrollierten Kernfusion effektiv zu vermeiden, um die gewünschten Hochleistungsfusionsreaktionen zu erreichen, was vielversprechendere Aussichten für die Erzielung höherer Energieausbeuten bietet.
Die Ergebnisse dieses großen Durchbruchs wurden in Nature veröffentlicht.
Adresse der Zeitung: https://www.nature.com/articles/s41586-024-07024-9
Wissenschaftler haben Anstrengungen unternommen, um eine Kernfusion auf der Erde zu erreichen.
Da die menschliche Gesellschaft in Zukunft vor der Herausforderung der Energieverknappung stehen wird, könnte eine kontrollierbare Kernfusion die Lösung sein. Diese Technologie hat das Potenzial, uns unbegrenzt mit sauberer Energie zu versorgen und sogar die Art und Weise, wie wir den Klimawandel bekämpfen, zu revolutionieren.
Fusion kann erreicht werden, indem man zwei Atome, die sich ursprünglich gegenseitig ausschließen, dazu zwingt, miteinander zu verschmelzen.
Der Prozess der Fusion ist das Gegenteil des derzeit weit verbreiteten Kernspaltungsprozesses, der auf der Spaltung von Atomen beruht.
Eine Fusion findet statt, wenn zwei Atome – normalerweise leichte Atome, wie zum Beispiel Wasserstoff – miteinander verschmelzen Beim Zerfall eines schwereren Atoms werden große Energiemengen freigesetzt.
Dieser Prozess ist die Energiequelle der Sonne und unterstützt indirekt das Leben auf der Erde. Allerdings ist es sehr schwierig, zwei Atome zu verschmelzen, da es enormen Druck und Energie erfordert, um die gegenseitige Abstoßung zwischen ihnen zu überwinden.
Der Grund, warum die Sonne eine Fusionsreaktion durchführen kann, hängt von ihrer enormen Schwerkraft und dem extrem hohen Druck im Kern ab. Um diesen Prozess auf der Erde zu simulieren, nutzten Wissenschaftler extrem heißes Plasma und starke Magnetfelder.
Bilder
In einem Tokamak (in Form eines Donuts) arbeiten Magnetfelder hart daran, Plasma mit einer Temperatur von über 100 Millionen Grad Celsius zu kontrollieren, was heißer ist als der Mittelpunkt der Sonne
Allerdings können Experten im Prozess der Kernfusion oft nur eine kurzfristige Aufrechterhaltung der Fusionsenergie erreichen, und es gibt viele Instabilitäten im Prozess.
Das liegt daran, dass einer der kritischsten Schritte im Prozess der Realisierung der Kernfusionsenergie darin besteht, Wasserstoffvarianten-Brennstoff einzugeben und ihn im Tokamak zu erhitzen, um ein Plasma zu erzeugen, das einer „Suppe“ ähnelt.
Aber Plasma ist schwer zu kontrollieren – es „reißt“ leicht auseinander und entkommt dem starken Magnetfeld, das es zurückhält.
Glücklicherweise berichteten Forscher der Princeton University und des Princeton Plasma Physics Laboratory kürzlich in Nature, dass sie einen Weg gefunden haben, mithilfe von KI diese potenzielle Instabilität vorherzusagen und eine Unterbrechung des Experiments in Echtzeit zu verhindern.
Dieses Team besteht aus Ingenieuren, Physikern und Datenwissenschaftlern.
Von links nach rechts: Azarakhsh Jalalvand, Egemen Kolemen und Ricardo Shousha
In Experimenten, die an der DIII-D National Fusion Facility in San Diego durchgeführt wurden, stellte das Forschungsteam fest, dass –
Ihr KI-Kontrollsystem in der Lage war, das mögliche Zerreißen des Plasmas 300 Millisekunden im Voraus vorherzusagen.
Und ohne diesen Eingriff wird die Fusionsreaktion wahrscheinlich plötzlich unterbrochen!
Forscher nutzten KI, um die Bildung von Reißinstabilitäten vorherzusagen und zu vermeiden (Bild links), die schnell zur Plasmazerstörung und zum Abbruch von Fusionsreaktionen führen könnten
Langfristig gesehen hat sich das Problem der Plasmainstabilität entwickelt die Entwicklung der Kernfusion behindert hat, wurde schließlich von Menschen überwunden.
Diese Entdeckung hat auch das Vertrauen der Wissenschaftler erheblich gestärkt.
Egemen Kolemen, Professor am Fachbereich Maschinenbau und Luft- und Raumfahrttechnik der Princeton University und einer der Autoren des Forschungsberichts, erklärt, warum diese Entdeckung so bedeutsam ist.
Unterbrechungen und Instabilität sind eines der größten Hindernisse für eine kontrollierbare Kernfusion. Wir alle hoffen, dass jeder Reaktor noch viele Jahre stabil funktionieren kann. Nachdem eine solche Lösung entwickelt wurde, sind wir zuversichtlich, dass es nun möglich ist, diese Geräte störungsfrei zu betreiben.
Wie hat KI das erreicht?
Das von den Forschern vorgestellte Modell zeigt, dass es die „Tränenmodusinstabilität“ (d. h. potenzielle Plasmainstabilität) nur durch die Analyse früherer experimenteller Daten vorhersagen kann, anstatt sich auf physikalische Modelle zu verlassen.
Und es kann bis zu 300 Millisekunden im Voraus vorhersagen!
Für den Menschen mag dieser Zeitraum nur ein Wimpernschlag sein, für den KI-Controller reicht es jedoch aus, die Betriebsparameter so anzupassen, dass ein internes Zerreißen des Plasmamagnetfelds vermieden und dadurch aufrechterhalten wird seinen stabilen Zustand. Verhindern Sie, dass die Reaktion vorzeitig endet.
In diesem Prozess implementierte die KI erfolgreich eine stabile, hochenergetische Plasmazustandskontrollstrategie in einem realen Reaktor in Echtzeit.
Diese Methode ist dynamischer als die ursprüngliche Methode.
Jaemin Seo, Assistenzprofessor für Physik an der Chung-Ang-Universität in Südkorea und Erstautor der Arbeit, erklärte: „Frühere Forschungen konzentrierten sich normalerweise auf die Unterdrückung oder Abschwächung der Auswirkungen dieser Rissinstabilitäten, nachdem sie im Plasma aufgetreten sind.“ . Aber unsere Methode kann diese Instabilitäten vorhersehen und vermeiden, bevor sie entstehen.
Um innerhalb weniger Millisekunden zu reagieren, neue Daten schnell zu verarbeiten und zu reagieren, kann nur KI.
Allerdings ist die Entwicklung eines effektiven KI-Steuerungssystems nicht einfach.
Darüber hinaus ist in einer Tokamak-Umgebung die Experimentierzeit äußerst kostbar und die Risiken äußerst hoch.
Nach Meinung von Azarakhsh Jalalvand, Co-Autor des Artikels, ist das Unterrichten von KI-Algorithmen zur Steuerung der Fusionsreaktion im Tokamak so, als würde man Menschen beibringen, ein Flugzeug zu fliegen.
Man muss der KI nicht nur einen Schlüssel geben und sie selbstständig erkunden lassen, sondern man muss sie auch immer wieder in einem komplexen Flugsimulator üben lassen, bis sie ausreichende Fähigkeiten beherrscht.
Deep Neural Network
Mit diesem neuronalen Netzwerk trainierten die Forscher einen Reinforcement-Learning-Algorithmus.
Dieser Algorithmus ist wie ein Lernpilot. Durch Ausprobieren in einer simulierten Umgebung lernt er verschiedene Strategien zur Plasmasteuerung und findet heraus, welche wirksam und welche unwirksam sind.
Jalalvand erklärte, dass sie dem Reinforcement-Learning-Modell nicht die komplexe Physik von Fusionsreaktionen beibrachten, sondern Folgendes sagten: Ihr Ziel ist es, eine Reaktion mit hoher Leistung aufrechtzuerhalten, Instabilitäten des Tränenmodus zu vermeiden und anzugeben, welche Parameter angepasst werden können.
In unzähligen simulierten Fusionsexperimenten versuchen Modelle, Wege zu finden, um hohe Leistungsniveaus aufrechtzuerhalten und gleichzeitig Instabilitäten zu vermeiden.
Mit der Zeit lernt der Algorithmus selbst den optimalen Weg, um eine Hochleistungsreaktion zu erreichen und gleichzeitig Instabilität zu vermeiden!
Co-Autor SangKyeun Kim sagte: „Wir können die Logik hinter der Absicht des Modells erkennen. Manchmal möchte sich das Modell zu schnell ändern, und wir müssen das Verhalten des Modells reibungsloser und stabiler machen. Als Menschen , Wir müssen ein Gleichgewicht zwischen der Absicht der KI und der tatsächlichen Toleranz des Tokamaks finden.“ In Carmacks eigentlichen Fusionsexperimenten wurden Tests durchgeführt, um zu sehen, wie der Controller bestimmte Parameter in Echtzeit anpasste, um Instabilitäten zu vermeiden, einschließlich der Änderung der Form des Plasmas und der Intensität des Strahleintrags in die Reaktion.
Die Ergebnisse zeigen, dass KI Instabilität erfolgreich vorhersagen kann!
Auf diese Weise sind Forscher nicht länger passiv und müssen nicht warten, bis ein Kontrollverlust im Plasma eingetreten ist, bevor sie Maßnahmen ergreifen.
Entwurf eines Reinforcement-Learning-Systems zur Steuerung
Laut Einleitung des Papiers kann der von den Forschern entwickelte KI-Controller die Arbeit des Controllers automatisch an den überwachten Plasmazustand anpassen und so die Stabilität von gewährleisten Erhöhen Sie gleichzeitig den Druck des Plasmas so weit wie möglich.
Abbildung 1: Systemdesign-Rahmen 
Abbildungen 1a und 1b: Eine typische Plasmaprobe im Experiment sowie die für die Studie ausgewählten Diagnosewerkzeuge und Kontrollgeräte. Unter diesen kann auf der Magnetflussoberfläche mit q = 2 eine 2/1-Mode-Tearing-Instabilität auftreten.
Abbildung 1c: Steuerungssystemarchitektur, die in der Lage ist, Messsignale zu verarbeiten und entsprechende Aktoranweisungen zu generieren.
Abbildung 1d: Der DNN-basierte KI-Controller ist in der Lage, basierend auf der trainierten Strategie übergeordnete Steuerbefehle für die Gesamtstrahlleistung und die Plasmaform zu bestimmen. Das Plasma Control System (PCS) ist für die Berechnung des Steuersignals der Magnetspule und der Leistung jedes Strahls verantwortlich, um sicherzustellen, dass dieser nicht nur die vom AI-Controller festgelegten erweiterten Steuerungsanforderungen erfüllt, sondern auch die festgelegten Einschränkungen einhält durch den Benutzer.
Systemdesign
Wenn das Plasma jedoch erhitzt wird, um seinen Druck zu erhöhen, z. B. durch einen neutralen Strahl, wird ein Schwellenwert erreicht (schwarze Linie in Abbildung 2a).
Beim Überschreiten dieser Schwelle kommt es zu einer Rissinstabilität des Plasmas, die schnell zu einem Plasmabruch führen kann (Abbildungen 2b und 2c).
Es ist erwähnenswert, dass sich diese Stabilitätsschwelle ändert, wenn sich der Plasmazustand ändert, und in einigen Fällen kann eine Reduzierung des Drucks auch Instabilität auslösen.
Wie die blaue Linie in Abbildung 2 zeigt, ist es durch Anpassen des Betriebs der Steuerung an den Zustand des Plasmas möglich, einen höheren Plasmadruck zu erzielen, ohne dass es zu Instabilität kommt.
Abbildung 2: Reaktion des KI-Systems zur Tränenvermeidung auf Tokamak-Kontrolle und Plasma
Tatsächlich können wir es als ein „Hindernisvermeidungsproblem“ verstehen, bei dem die Hindernisse Risikofaktoren sind, die den Abbruch des Experiments erzwingen.
Konkret geht es bei der Kernfusion selbst um die Steuerung des Tokamak-Geräts, um das Plasma auf einem schmalen Weg laufen zu lassen, der einen hohen Druck aufrechterhält, ohne die Stabilitätsgrenze zu überschreiten.
Um dieses Ziel zu erreichen, trainierten die Forscher ein Akteurmodell durch Methoden des verstärkenden Lernens und entwarfen eine Belohnungsfunktion R, um zu messen, wie hoch der Druck sein kann, den das Plasma bei einem akzeptablen Risiko eines Zerreißens erreichen kann.
β_N stellt hier den normalisierten Wert des Plasmadrucks dar, T stellt das Risiko eines Risses dar und k ist ein künstlich festgelegter Sicherheitsschwellenwert. Genauer gesagt sind β_N und T die vorhergesagten Ergebnisse 25 Millisekunden, nachdem der KI-Controller Maßnahmen ergriffen hat.
Wenn das Rissrisiko niedriger ist als der von uns festgelegte Schwellenwert, erhält das Akteurmodell gemäß dieser Vorhersage eine positive Belohnung entsprechend dem Druck des Plasmas; andernfalls erhält es eine negative Belohnung.
Um eine höhere Belohnung gemäß Gleichung (1) zu erhalten, muss der Akteur zunächst den Wert von β_N durch seine Kontrollaktionen erhöhen.
Ein Anstieg von β_N kann jedoch dazu führen, dass das Plasma instabil wird und der Tränenindikator (T) schließlich den Sicherheitsschwellenwert (k) überschreitet, was zu einer Verringerung der Belohnungen führt. Insbesondere wenn T k überschreitet, nimmt die Belohnung stark ab.
Daher wird das Kontrollmittel Priorität darauf legen, T unter dem sicheren Schwellenwert k zu halten, anstatt einfach nur eine Verbesserung von β_N anzustreben.
Durch ausreichendes Verstärkungslerntraining kann der Schauspieler endlich eine Ausgleichsstrategie finden, die einen hohen Plasmadruck erreichen und gleichzeitig sicherstellen kann, dass der Reißindikator in einem sicheren Bereich bleibt.
Diese Strategie ermöglicht es dem Tokamak, während der Entladung auf einem genau geplanten Weg zu laufen, wie in Abbildung 2d dargestellt.
Abbildung 2: Steuerung von Tokamak und Reaktion des Plasmas durch ein KI-System zur Tränenvermeidung
Da das Auftreten von Tränen weitgehend von seinen räumlichen Informationen und seinem Gradienten abhängt, sind die Beobachtungsvariablen auf eindimensionale Dynamik eingestellt und magnetische Profile, die in Flusskoordinaten abgebildet sind.
Konkret werden die Kurven von Elektronendichte, Elektronentemperatur, Ionenrotation, Sicherheitsfaktor und Plasmadruck beobachtet.
Die schwarze Linie in Abbildung 3b zeigt ein Beispiel einer Plasmaunterbrechung aufgrund von Reißinstabilität.
Bei dieser Entladung wurde ein bestimmtes Parameterniveau (β_N = 2,3) mithilfe einer herkömmlichen Rückkopplungssteuerung aufrechterhalten. Bei 2,6 Sekunden kam es jedoch zu einer starken Reißinstabilität, die zu einem starken Abfall der Parameter und schließlich zu einer Plasmaunterbrechung bei 3,1 Sekunden führte.
Die blaue Linie in Abbildung 3b ist die Strahlleistung und Plasmaform unter KI-Steuerung. Abbildung 3c und Abbildung 3d zeigen jeweils die Anpassung der Plasmaform und der Strahlleistung während des spezifischen Steuerungsprozesses.
Während dieser Entladung formulierte der KI-Controller auf der Grundlage von Echtzeit-Plasmadaten Einstellanweisungen für Strahlleistung und -form, die vom Plasmakontrollsystem (PCS) in spezifische Vorgänge umgewandelt wurden, wie beispielsweise die Einstellung der Magnetspule Stromstärke und präzise Steuerung der Leistung von acht Strahlen.
Die blaue Linie in Abbildung 3e ist die nachfolgende Schätzung des KI-gesteuerten Abflusses. Es ist ersichtlich, dass die Reißneigung während des gesamten Prozesses effektiv unter den vorgegebenen Schwellenwert kontrolliert wurde, was völlig den Erwartungen entsprach.
Dieses Experiment beweist nicht nur, dass die KI-Steuerung das Rissrisiko wirksamer reduzieren kann als herkömmliche Kontrollmethoden, sondern zeigt auch die Verbesserung der Gesamtleistung im Vergleich zum Referenzexperiment, was die Vorteile der adaptiven KI-Steuerung widerspiegelt.
Abbildung 3: Tränenvermeidungsexperiment basierend auf KI-Energie
Abbildung 4a zeigt drei Experimente mit Controllern mit unterschiedlichen Einstellschwellen, jeweils 0,2, 0,5 und 0,7.
Wenn der Schwellenwert auf 0,5 und 0,7 eingestellt ist, kann das Plasma stabil bleiben und bis zum Ende des Experiments tritt keine destruktive Instabilität auf.
Die Abbildungen 4b bis 4d zeigen die analysierte Reißneigung nach drei Experimenten. Die Hintergrundfarbe in der Abbildung zeigt die prognostizierte Reißtendenz bei unterschiedlichen Strahlleistungen zu jedem Zeitpunkt, die tatsächlich verwendete Strahlleistung ist durch die schwarze Linie markiert und die gepunktete Linie zeigt den Grad der Reißtendenz bei verschiedenen Schwellenwerten an.
Es ist ersichtlich, dass unterschiedliche Schwellenwerteinstellungen dazu führen, dass die KI-Steuerung unterschiedliche Verhaltensmerkmale aufweist.
Die Analyse von Abbildung 4b zeigt, dass das Tearing-Vorhersagemodell 300 Millisekunden vor dem Auftreten von Instabilität warnen kann und der Controller außerdem versucht, die Strahlleistung weiter zu reduzieren.
In Abbildung 4c ist der KI-Controller mit k = 0,5 so eingestellt, dass er auf Instabilitätswarnungen reagiert, indem er im Voraus Maßnahmen ergreift, um das Erreichen des Schwellenwerts proaktiv zu vermeiden.
Da der Belohnungsmechanismus auf Basis der Tearing-Tendenz 25 Millisekunden nach der Controller-Aktion berechnet wird, wird der geschulte Controller Dutzende Millisekunden vor dem Auftreten der Warnung Maßnahmen ergreifen. Abbildung 4: Vergleichsexperimente mit unterschiedlichen Schwellenwerteinstellungen der erste Schritt zur Weiterentwicklung des Bereichs der Fusionsforschung.
Zuerst planen sie, weitere Beweise zu DIII-D zu sammeln, um die tatsächliche Wirkung des KI-Controllers zu beweisen, und dann seine Anwendung auf andere Tokamak-Geräte auszuweiten.
„Wir haben gute Beweise dafür, dass dieser Controller auf DIII-D gut funktioniert, aber wir brauchen mehr Daten, um zu beweisen, dass er eine Vielzahl unterschiedlicher Situationen bewältigen kann“, sagte Seo, einer der Entwickler. „Unser Ziel ist es, eine allgemeinere Lösung zu entwickeln.“
Die zweite Forschungsrichtung besteht darin, diesen Algorithmus zu erweitern, um es dem KI-Controller zu ermöglichen, gleichzeitig instabilere Probleme zu bewältigen.
Ricardo Shousha, der ein Doktorand im Kolemen-Team war und derzeit Postdoktorand am PPPL und Co-Autor ist, erklärte: „Sie können sich vorstellen, dass es eine umfassende Belohnungsfunktion gibt, die mehrere Parameter anpasst, um mehrere zu steuern.“ Gleichzeitig können Forscher durch die Entwicklung besserer KI-Steuerungen zur Steuerung von Fusionsreaktionen auch ein tieferes Verständnis der zugrunde liegenden Physik von Plasmen erlangen.
Durch die Analyse der Entscheidungen des KI-Controllers bei der Aufrechterhaltung der Plasmastabilität kann festgestellt werden, dass sie sich häufig stark von herkömmlichen Methoden unterscheiden.
Dies zeigt, dass KI nicht nur ein wirksames Werkzeug zur Steuerung von Kernfusionsreaktionen sein kann, sondern auch als neue Lehrressource dienen kann, die uns hilft, die Fusionswissenschaft aus verschiedenen Perspektiven zu verstehen und zu erkunden.
TeamvorstellungJaemin Seo
Jaemin Seo ist ein Postdoktorand, der sich auf die Anwendung maschineller Lerntechnologie zur Plasmavorhersage und -steuerung in KSTAR- und DIII-D-Projekten konzentriert.
Jaemin erhielt seinen Doktortitel vom Department of Nuclear Engineering der Seoul National University. In dieser Zeit nutzte er auf innovative Weise Reinforcement-Learning-Methoden, um einen neuen Plasmasteuerungsalgorithmus für KSTAR zu entwerfen.
Derzeit liegt sein Forschungsschwerpunkt auf der Erforschung der Technologie zur Vorhersage und Steuerung des Tearing-Modus im DIII-D-Projekt.
Egemen Kolemen
Der korrespondierende Autor Egemen Kolemen ist außerordentlicher Professor für Maschinenbau und Luft- und Raumfahrttechnik an der Princeton University und hat Positionen am Andlinger Center for Energy and the Environment und am Princeton Plasma Physics Laboratory (PPPL) inne. Als Leiter des Sustainable Energy Project erhielt er den David J. Rose Excellence Award für seine herausragenden Beiträge auf dem Gebiet der Fusionstechnik und wurde zum ITER Scientist Fellow ausgewählt. Professor Kolemens Forschung widmet sich der Kombination von Ingenieurstechnologie und physikalischer Analyse mit dem Ziel, kostengünstige Fusionsreaktoren zu entwickeln. Derzeit leitet er das Team zur Forschung zu maschinellem Lernen, Echtzeitüberwachung und -steuerung in den Projekten KSTAR, NSTX-U und DIII-D.
Das obige ist der detaillierte Inhalt vonEin neuer Meilenstein in der kontrollierbaren Kernfusion! KI hat das Zerreißen von Plasma in der Natur erfolgreich vorhergesagt und damit dem „Heiligen Gral' der sauberen Energie einen Schritt näher gebracht. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
