制御可能な核融合に新たなブレークスルーがもたらされました!
長い間、核融合は「ゴースト」、つまりプラズマの不安定性の問題に悩まされてきました。
最近、プリンストン大学のチームは人工知能を使用して、核融合プラズマの不安定な状態を 300 ミリ秒前に予測することに成功しました。この技術は、磁場の閉じ込めを調整し、プラズマの流出を効果的に抑制するのに役立ちます。
その結果、科学者は制御された核融合の中断を効果的に回避して、所望の高出力核融合反応を達成できるようになり、より高いエネルギー出力を達成するためのより有望なアプローチが提供されます。見通し。
この大きな進歩の結果は、Nature に掲載されました。
#論文アドレス: https://www.nature.com/articles/s41586-024-07024-9
制御可能な核融合の主要な問題はAIによって解決されました## 何十年もの間、科学者たちは地球上で核融合を達成するために熱心に取り組んできました。人間社会は将来、エネルギー枯渇という課題に直面するため、制御可能な核融合が解決策となる可能性があります。このテクノロジーは、私たちに無制限のクリーン エネルギーを提供し、気候変動との闘い方に革命をもたらす可能性さえ持っています。
融合は、本来なら互いに反発し合う 2 つの原子を強制的に融合させることによって実現されます。
#核融合プロセスは、現在広く使用されている原子の分裂に依存する核分裂プロセスとは逆です
核融合は、2 つの原子 (通常は水素などの軽い原子) がより重い原子に融合し、膨大なエネルギーを放出するときに発生します。
このプロセスは太陽からのエネルギー源であり、間接的に地球上の生命を支えています。しかし、2つの原子を融合させることは、原子間の相互反発に打ち勝つために多大な圧力とエネルギーを必要とするため、非常に困難です。
太陽が核融合反応を起こすことができる理由は、その巨大な重力とその中心部の非常に高い圧力に依存しています。地球上でこのプロセスをシミュレートするために、科学者たちは非常に高温のプラズマと強力な磁場を使用しました。
写真
トカマク (ドーナツのような形) では、摂氏 1 億度を超える温度を制御するために磁場が懸命に働いています。太陽の中心よりも熱いプラズマ
しかし、核融合プロセス中、専門家は核融合エネルギーを短期間しか維持できないことが多く、多くの不安定性があります。プロセスセックス。
これは、核融合エネルギーを実現する過程において、最も重要なステップの 1 つは、水素変異燃料を投入し、それをトカマク内で加熱して「」と同様のプラズマを生成することであるためです。スープ"。
しかし、プラズマは制御が難しく、簡単に「引き裂かれ」、プラズマを抑制するために使用される強力な磁場から逃げてしまいます。
幸いなことに、プリンストン大学とプリンストンプラズマ物理学研究所の研究者らは最近、Nature Report に論文を発表しました。彼らは、AI を使用してこの潜在的な不安定性を予測し、実験の中断をリアルタイムで防ぐ方法を発見しました。
このチームは、エンジニア、物理学者、データ サイエンティストで構成されています。
左から右へ: アザラクシュ・ジャラルヴァンド、エゲメン・コレメン、リカルド・ショウシャ
サンディエゴの DIII-D 国立核融合施設で行われた実験で、研究チームは、
彼らの AI 制御システムが、核融合施設を破壊する可能性があることを発見しました。プラズマが予測される。
そして、この介入がなければ、核融合反応は突然中断される可能性があります。
研究者らは AI を使用して、血漿の破壊や融合反応の停止にすぐにつながる可能性のある引裂き不安定性の形成を予測し、回避しました (左)
#現時点で、長年核融合の開発を妨げてきたプラズマの不安定性の問題が、人類によってついに克服されました。
この発見は、科学者たちの自信も大きく高めました。
プリンストン大学機械航空宇宙工学部教授であり、研究著者の一人でもあるエゲメン・コールメン氏は、この発見がなぜそれほど重要なのかを説明しています。
制御可能な核融合にとって、中断と不安定性は大きな障害の 1 つであり、どのような原子炉でも長年安定して運転し続けることができることを誰もが望んでいます。このようなソリューションが開発されたことで、これらのユニットを問題なく操作できるようになったという確信が大幅に高まりました。
#AI はプラズマ状態制御戦略の実装に成功
研究者らによって提示されたモデルは、「引裂きモード不安定性」(つまり、物理モデルに依存するのではなく、過去の実験データのみを分析することによって潜在的なプラズマ不安定性)を予測できることを示しています。
さらに、最大 300 ミリ秒先まで予測できます。
人間にとって、この時間はほんの一瞬かもしれませんが、AI コントローラーにとっては、内部ティアリングを回避するために動作パラメータを調整するだけで十分です。プラズマ磁場の亀裂を抑制し、安定な状態を維持し、反応の早期終了を防ぎます。
このメソッドは、元のメソッドよりも動的です。
中央大学の物理学助教授で論文の筆頭著者であるジェミン・ソ氏は、「これまでの研究は通常、こうした引裂き不安定性が現れた後にそれを抑制または緩和することに焦点を当てていた」と説明した。しかし、私たちの方法は、これらの不安定性を発生前に予測し、回避することができます。」
AI プラズマ物理学=?
数ミリ秒以内に反応し、新しいデータを迅速に処理して応答することは、AI だけが行うことができます。
ただし、効果的な AI 制御システムを開発するのは簡単ではありません。
さらに、トカマク環境では実験時間が非常に貴重であり、リスクが非常に高くなります。
論文の共著者であるアザラクシュ・ジャラルヴァンド氏によると、AI アルゴリズムにトカマク内の核融合反応を制御するよう教えることは、人に飛行機の操縦を教えることに似ています。
AI にキーを与えて独自に探索させるだけでなく、AI が十分に習得できるまで複雑なフライト シミュレータで繰り返し練習させる必要もありますスキル。
研究者らは、このニューラル ネットワークを使用して、強化学習アルゴリズムをトレーニングしました。 このアルゴリズムは学習パイロットのようなもので、模擬環境での試行錯誤を通じてプラズマを制御するためのさまざまな戦略を学習し、どの戦略が有効でどの戦略が無効であるかを見つけます。 。 Jalalvand 氏は、強化学習モデルに融合反応の複雑な物理学を教える代わりに、「目標は高出力反応を維持し、引き裂きモードを回避することです。安定性、と は調整できるパラメータを示します。 数え切れないほどの模擬核融合実験において、モデルは不安定性を回避しながら高出力レベルを維持する方法を見つけようとします。 時間の経過とともに、アルゴリズム自体が、不安定性を回避しながら高出力応答を達成するための最適なパスを学習します。 共著者の SangKyeun Kim 氏は次のように述べています。「モデルの意図の背後にあるロジックがわかります。モデルがあまりにも早く変更したい場合があります。モデルの動作をよりスムーズかつ安定させる必要があります。私たち人間は、AI の意図とトカマクの実際の耐性の間のバランスを見つける必要があります。」 研究者らは AI コントローラーの機能に十分な自信を持った後、D-III D トカマクでの実際の核融合実験でそれをテストし、コントローラーが不安定性を回避するために特定のパラメーターをどのようにリアルタイムで調整するかを観察しました。プラズマの形状と入力反応のビーム強度。 結果は、AI が不安定性を首尾よく予測できることを示しています。 このようにして、研究者はもはや受け身ではなくなり、プラズマの暴走が起こるまで待ってから対策を講じる必要がなくなりました。 制御用強化学習システムの設計
図 1a および 1b: 実験における典型的なプラズマ身体サンプル、研究で使用された診断ツールと制御機器。このうち、q=2の磁束面では2/1モード引き裂き不安定が発生する可能性があります。 図 1c: 測定信号を処理し、対応するアクチュエータ命令を生成できる制御システム アーキテクチャ。 図 1d: DNN ベースの AI コントローラーは、トレーニングされた戦略に基づいて、全体的なビーム出力とプラズマ形状の高レベルの制御コマンドを決定できます。プラズマ制御システム (PCS) は、磁気コイルの制御信号と各ビームの出力を計算して、AI コントローラーによって設定された高度な制御要件を満たすだけでなく、設定された制限にも準拠していることを確認します。ユーザーによる。 システム設計 ただし、中性ビームなどによってプラズマが加熱されて圧力が上昇すると、閾値に遭遇します (図 2a の黒線)。 この閾値を超えると、血漿は引き裂き不安定性を経験し、すぐに血漿の破裂につながる可能性があります (図 2b および 2c)。 この安定性のしきい値はプラズマの状態が変化するにつれて変化し、場合によっては圧力を下げると不安定性が引き起こされる可能性があることに注意してください。 図2の青線のように、プラズマの状態に応じてコントローラーの動作を調整することで、不安定になることなく、より高い性能を追求することが可能です。 。
実際には、これは「障害物回避問題」として理解できます。障害物は実験の終了を強制する危険因子です。 核融合そのものに特有のものは、トカマク装置を制御して、安定限界を超えずに高圧を維持しながらプラズマを狭い経路に沿って走行させることです。 この目標を達成するために、研究者らは強化学習法を通じてアクター モデルをトレーニングし、ティアリングの許容可能なリスクの下でプラズマが達成できることを測定するための報酬関数 R を設計しました。プレッシャー。ここで、 β_N は血漿圧力の正規化値を表し、T は引き裂きのリスクを表し、k は人為的に設定された安全閾値です。具体的には、β_NとTはAIコントローラーが動作してから25ミリ秒後の予測結果です。 この予測によると、引き裂きのリスクが設定したしきい値よりも低い場合、アクター モデルはプラズマの圧力に応じてプラスの報酬を受け取りますが、そうでない場合は、アクター モデルはプラスの報酬を受け取ります。マイナスの報酬。 #式 (1) に従ってより高い報酬を得るには、アクターはまず制御アクションを通じて β_N の値を増やす必要があります。 ただし、β_N の増加により血漿が不安定になり、最終的には引き裂き指数 (T) が安全閾値 (k) を超え、報酬の減少につながる可能性があります。 。特に T が k を超えると報酬は急激に減少する。 したがって、制御エージェントは、単に β_N の改善を追求するのではなく、T を安全閾値 k 未満に維持することを優先します。 十分な強化学習トレーニングを通じて、Actor は最終的に、ティアリング インジケーターが安全な範囲内に留まるようにしながら、高いプラズマ圧力を追求できるバランス戦略を見つけることができます。 この戦略により、図 2d に示すように、トカマクは放電中に正確に計画された経路をたどることができます。 引き裂きはその空間情報と勾配に大きく依存し、観測変数は一次元ダイナミクスと磁束座標にマッピングされた磁気プロファイルに設定されます。 具体的には、電子密度、電子温度、イオン回転、安全率、プラズマ圧力の曲線が観察されます。 実験結果 この放電では、従来のフィードバック制御を使用して特定のパラメータ レベル (β_N = 2.3) が維持されました。しかし、2.6 秒で深刻な引き裂き不安定性が発生し、パラメータが急激に低下し、最終的には 3.1 秒でプラズマが中断されました。 図 3b の青い線は、AI 制御下のビーム出力とプラズマ形状です。図 3c と図 3d はそれぞれ、特定の制御プロセス中のプラズマ形状とビーム出力の調整を示しています。 この放電中、AI コントローラーはリアルタイムのプラズマ データに基づいてビーム出力と形状の調整命令を作成し、プラズマ制御システム (PCS) によって具体的な命令に変換されました。 ). 磁気コイル電流の調整や 8 つのビームの出力の正確な制御などの操作。 図 3e の青い線は、AI 制御による放電のその後の推定値です。引き裂きの傾向は、プロセス全体を通じて所定の閾値未満に効果的に制御されており、予想と完全に一致していることがわかります。 この実験は、AI 制御が従来の制御方法よりも引き裂きのリスクをより効果的に低減できることを証明するだけでなく、参照実験と比較して全体的なパフォーマンスが向上していることも示しています。 AI適応制御のこと。
図 4a はさまざまなアプリケーションを示しています。3 つの実験コントローラ設定閾値をそれぞれ 0.2、0.5、0.7 として実行しました。 このうち、閾値を 0.5 と 0.7 に設定した場合、プラズマは安定して継続し、実験終了まで破壊的な不安定は発生しません。 # 図 4b から 4d は、3 つの実験後に分析された引き裂き傾向を示しています。図の背景色は、各時点の異なるビームパワーでの予測されたテアリング傾向を示し、実際に使用されたビームパワーは黒線で示され、点線はさまざまなしきい値でのテアリング傾向レベルを示します。 しきい値の設定が異なると、AI 制御が異なる動作特性を示すことがわかります。 図 4b の分析は、引き裂き予測モデルが不安定が発生する 300 ミリ秒前に警告でき、コントローラーもビーム出力をさらに低減しようと試みることを示しています。 図 4c では、k = 0.5 の AI コントローラーが、しきい値に達することを積極的に回避するための手順を事前に講じることで、不安定性の警告に応答するように設定されています。 報酬メカニズムは、コントローラーがアクションを起こしてから 25 ミリ秒後のティアリング傾向に基づいて計算されるため、訓練されたコントローラーは警告が発生する数十ミリ秒前にアクションを開始します。 未来への道を照らす まず、DIII-Dでより多くの証拠を収集してAIコントローラーの実際の有効性を証明し、その後他のトカマク装置への応用を拡大する予定です。 「このコントローラーが DIII-D で適切に動作するという十分な証拠がありますが、さまざまな状況に対処できることを証明するにはさらに多くのデータが必要です。」と Yizuo Seo 氏は言います。 「私たちの目標は、より一般的なソリューションを開発することです。」
コールメン氏のチームの元大学院生で、現在は PPPL 博士研究員および共著者であるリカルド・ショウシャ氏は次のように説明しました。「複数のパラメーターを調整する包括的な報酬関数があると想像できます。 核融合反応を制御するためのより優れた AI コントローラーを開発する過程で、研究者はプラズマを制御できる可能性もあります。根底にある物理学の理解が深まります。 プラズマの安定性を維持する際に AI コントローラーによって行われた決定を分析すると、それらの決定が従来の方法とは大きく異なることが多いことがわかります。 これは、AI が核融合反応を制御するための効果的なツールになるだけでなく、さまざまな観点から核融合科学を理解し探究するのに役立つ新しい教材としても機能することを示しています。 チーム紹介 ジェミンは、ソウル大学原子力工学部で博士号を取得しました。この期間中、彼は強化学習手法を革新的に使用して、KSTAR の新しいプラズマ制御アルゴリズムを設計しました。 現在、彼の研究の焦点は、DIII-D プロジェクトにおけるティアリング モードの予測と制御テクノロジーの探索に移っています。 さらに、ジェミンは、プラズマの動的平衡状態をリアルタイムで再構築することを目的とした高速ニューラル ネットワーク モデルにも取り組んでいます。これは、プラズマの効率と精度を向上させるために重要です。制御アルゴリズムの重要性 エゲメン コレメン 対応著者のエゲメン・コールメンは、プリンストン大学の機械および航空宇宙工学の准教授であり、アンドリンガー・センター・フォー・エネルギー・環境およびプリンストン・プラズマ物理研究所(PPPL)での役職を務めています。 持続可能エネルギープロジェクトのリーダーとして、核融合工学分野への顕著な貢献に対してデビッド・J・ローズ優秀賞を受賞し、ITER科学者フェローに選ばれました。 コールメン教授の研究は、費用対効果の高い核融合炉の開発を目的として、工学技術と物理解析を組み合わせることに重点を置いています。現在、彼はチームを率いて、KSTAR、NSTX-U、および DIII-D プロジェクトにおける機械学習、リアルタイム監視および制御に関する研究を実施しています。 
論文の紹介によると、研究者が設計したAIコントローラーは、監視対象に応じて制御を自動的に調整することができます。プラズマの圧力を可能な限り高めながら、プラズマの安定性を確保するため。
図 1: システム設計フレームワーク
核融合エネルギーを効率的に生成するには、プラズマ内の高圧を維持しながら、核融合エネルギーを引き起こす可能性のあるトリガーを回避することが重要です。機器が突然動作しなくなる不安定現象。
図 2: トカマク制御とプラズマに対する AI 断裂回避システムの応答
図 3b の黒い線は、引裂きの不安定性による血漿中断の例を示しています。
#図 3: AI 機能に基づく引裂き回避実験
研究者らは、この研究は核融合反応を効果的に制御する AI の可能性を実証することに成功したが、それは核融合研究分野を前進させる第一歩にすぎないと指摘しました。 
#2 番目の研究の方向性は、このアルゴリズムを拡張して AI 制御を可能にすることです。同時にさらなる不安定性の問題も発生します。 ソ・ジェミン
最初の作品、ソ・ジェミン、 KSTAR および DIII-D プロジェクトでプラズマの予測と制御に機械学習技術を適用する博士研究員に焦点を当てています。
以上が制御可能な核融合の新たなマイルストーン! AI が自然界のプラズマ引き裂きの予測に成功し、クリーン エネルギーの「聖杯」に一歩近づくの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
