제어 가능한 핵융합의 새로운 이정표! 인공지능(AI)은 자연의 플라즈마 찢어짐을 성공적으로 예측해 청정 에너지의 '성배'를 한 단계 더 가까이 가져왔습니다.

제어 가능한 핵융합 기술이 새로운 돌파구를 열었습니다!

오랫동안 핵융합은 플라즈마 불안정성 문제인 "유령"으로 인해 어려움을 겪어왔습니다.

최근 프린스턴 연구팀은 인공지능을 활용해 핵융합 플라즈마의 불안정한 상태를 300밀리초 앞서 예측하는 데 성공했습니다. 이 기술은 자기장 감금을 조정하고 플라즈마의 탈출을 효과적으로 억제하는 데 도움이 될 수 있습니다.

그 결과, 과학자들은 이제 제어된 핵융합의 중단을 효과적으로 방지하여 원하는 고출력 핵융합 반응을 달성할 수 있으며, 이는 더 높은 에너지 출력을 달성할 수 있는 더 유망한 전망을 제공합니다.

이 획기적인 결과는 Nature에 게재되었습니다.

문서 주소: https://www.nature.com/articles/s41586-024-07024-9

제어 가능한 핵융합의 주요 문제는 AI에 의해 해결되었습니다

수십 년 동안 , 과학자들은 지구상에서 핵융합을 달성하기 위해 노력해 왔습니다.

미래 인류 사회는 에너지 고갈이라는 도전에 직면하게 될 것이므로 제어 가능한 핵융합이 해결책이 될 수 있습니다. 이 기술은 우리에게 무제한의 청정 에너지를 제공하고 심지어 기후 변화에 대처하는 방식에 혁명을 일으킬 수 있는 잠재력을 가지고 있습니다.

융합은 원래 상호 배타적인 두 원자를 강제로 융합시킴으로써 달성될 수 있습니다.

융합 과정은 원자를 쪼개는 데 의존하는 현재 널리 사용되는 핵분열 과정과 반대입니다.

융합은 두 원자(보통 수소와 같은 가벼운 원자)가 서로 합쳐질 때 발생합니다. 더 무거운 원자를 분해하는 과정에서 엄청난 양의 에너지가 방출됩니다.

이 과정은 태양으로부터 에너지의 원천이며 간접적으로 지구상의 생명을 지원합니다. 그러나 두 원자 사이의 상호 반발력을 극복하려면 엄청난 압력과 에너지가 필요하기 때문에 두 원자를 융합하는 것은 매우 어렵습니다.

태양이 핵융합 반응을 일으킬 수 있는 이유는 거대한 중력과 핵의 극도로 높은 압력에 달려 있습니다. 지구에서 이 과정을 시뮬레이션하기 위해 과학자들은 극도로 뜨거운 플라즈마와 강력한 자기장을 사용했습니다.

사진

토카막(도넛 모양)에서는 태양 중심보다 더 뜨거운 섭씨 1억도 이상의 플라즈마를 자기장이 제어하기 위해 열심히 노력합니다

그러나 핵융합 과정에서 전문가들은 핵융합 에너지의 단기적인 유지만 달성할 수 있는 경우가 많으며 그 과정에서 많은 불안정성이 존재한다.

핵융합 에너지를 구현하는 과정에서 가장 중요한 단계 중 하나는 수소 변형 연료를 투입하고 이를 토카막에 가열하여 "수프"와 유사한 플라즈마를 생성하는 것이기 때문입니다.

그러나 플라즈마는 제어하기 어렵습니다. 플라즈마는 쉽게 "찢어지고" 이를 억제하는 데 사용되는 강력한 자기장에서 벗어날 수 있습니다.

다행히 프린스턴 대학교와 프린스턴 플라즈마 물리학 연구소의 연구원들은 최근 AI를 사용하여 이러한 잠재적인 불안정성을 예측하고 실시간으로 실험 중단을 방지하는 방법을 찾았다고 Nature에 보고했습니다.

이 팀은 엔지니어, 물리학자, 데이터 과학자로 구성되어 있습니다.

왼쪽에서 오른쪽으로: Azarakhsh Jalalvand, Egemen Kolemen 및 Ricardo Shousha

샌디에이고의 DIII-D 국가 핵융합 시설에서 실시한 실험에서 연구팀은 다음과 같은 사실을 발견했습니다. -

그들의 AI 제어 시스템은 플라즈마의 잠재적인 찢어짐을 300밀리초 전에 미리 예측할 수 있었습니다.

그리고 이러한 개입이 없으면 융합 반응이 갑자기 중단될 가능성이 높습니다!

연구원들은 AI를 사용하여 빠르게 플라즈마 파괴 및 융합 반응 종료로 이어질 수 있는 찢어짐 불안정성(왼쪽 사진)의 형성을 예측하고 방지했습니다.

지금까지 장기적으로 발생하는 플라즈마 불안정성 문제 핵융합 발전을 가로막던 핵융합 발전을 인류가 마침내 극복했습니다.

이 발견은 또한 과학자들의 자신감을 크게 높였습니다.

프린스턴 대학교 기계항공우주공학과 교수이자 연구 보고서 작성자 중 한 명인 Egemen Kolemen은 이 발견이 왜 그토록 중요한지 설명합니다.

중단과 불안정성은 제어 가능한 핵융합의 주요 장애물 중 하나입니다. 우리 모두는 모든 원자로가 수년 동안 계속해서 안정적으로 작동할 수 있기를 바랍니다. 이제 이러한 솔루션이 개발되었으므로 이러한 장치를 아무런 결함 없이 작동할 수 있다는 자신감이 크게 높아졌습니다.

AI는 플라즈마 상태 제어 전략을 성공적으로 구현했습니다.

AI는 어떻게 이를 달성했나요?

연구원들이 제시한 모델은 물리적인 모델에 의존하는 것이 아니라, 과거의 실험 데이터만을 분석함으로써 '찢김 모드 불안정성'(즉, 잠재적인 플라즈마 불안정성)을 예측할 수 있음을 보여줍니다.

그리고 최대 300밀리초까지 미리 예측할 수 있습니다!

인간에게는 이 시간이 눈 깜짝할 사이일 수 있지만 AI 컨트롤러의 경우 플라즈마 자기장의 내부 찢어짐을 방지하기 위해 작동 매개변수를 조정하여 유지하는 것으로 충분합니다. 안정적인 상태로 반응이 조기에 종료되는 것을 방지합니다.

이 과정에서 AI는 실제 원자로에서 안정적인 고에너지 플라즈마 상태 제어 전략을 실시간으로 성공적으로 구현했습니다.

이 방법은 원래 방법보다 더 역동적입니다.

논문의 첫 번째 저자이자 중앙대학교 물리학과 조교수인 서재민은 다음과 같이 설명했습니다. "이전 연구는 일반적으로 이러한 찢어짐 불안정성이 플라즈마에 나타난 후 이러한 불안정성의 영향을 억제하거나 완화하는 데 중점을 두었습니다. . 하지만 우리의 방법은 이러한 불안정성이 형성되기 전에 이를 예측하고 피할 수 있습니다."

AI+Plasma Physics=?

테어링 모드 불안정성이 너무 갑작스럽고 너무 빠르게 발생하기 때문에 연구자들은 AI를 생각할 것입니다!

몇 밀리초 안에 반응하고, 새로운 데이터를 빠르게 처리하고 대응하는 것은 오직 AI만이 할 수 있습니다.

하지만 효과적인 AI 제어 시스템을 개발하는 것은 쉽지 않습니다.

게다가 토카막 환경에서는 실험 시간이 매우 소중하고 위험도 매우 높습니다.

논문 공동 저자인 Azarakhsh Jalalvand의 의견에 따르면, 토카막에서 융합 반응을 제어하도록 AI 알고리즘을 가르치는 것은 사람들에게 비행기 조종 방법을 가르치는 것과 같습니다.

AI에게 키를 부여하고 스스로 탐색하도록 해야 할 뿐만 아니라 AI가 충분한 기술을 익힐 때까지 복잡한 비행 시뮬레이터에서 반복적으로 연습하도록 해야 합니다.

심층 신경망

따라서 프린스턴 팀은 DIII-D 토카막의 과거 실험 데이터를 사용하여 실시간 플라즈마 확률을 기반으로 미래를 예측할 수 있는 심층 신경망을 구축했습니다. 티어 모드 불안정성 발생.

이 신경망을 사용하여 연구원들은 강화 학습 알고리즘을 훈련했습니다.

이 알고리즘은 시뮬레이션 환경에서 시행착오를 통해 플라즈마를 제어하는 ​​다양한 전략을 학습하고 어떤 것이 효과적이고 어떤 것이 효과가 없는지 알아내는 학습 파일럿과 같습니다.

Jallvand는 강화 학습 모델에 융합 반응의 복잡한 물리학을 가르치는 대신 다음과 같이 말했습니다. 목표는 고전력 반응을 유지하고, 찢어짐 모드 불안정성을 피하고, 매개변수를 조정할 수 있음을 나타내는 것입니다.

수많은 시뮬레이션된 핵융합 실험에서 모델은 불안정성을 피하면서 높은 전력 수준을 유지하는 방법을 찾으려고 노력합니다.

시간이 지남에 따라 알고리즘 자체는 불안정성을 피하면서 고전력 응답을 달성할 수 있는 최적의 경로를 학습합니다!

공동저자인 김상균은 "모델 의도 뒤에 숨은 논리를 볼 수 있다. 때로는 모델이 너무 빨리 변화하고 싶어할 때도 있고, 모델의 행동을 더 부드럽고 안정적으로 만들어야 한다. 인간으로서, AI의 의도와 토카막의 실제 관용 사이의 균형을 찾아야 합니다. "

연구원들이 AI 컨트롤러의 성능에 대해 충분히 확신을 갖게 되었을 때, 그들은 D-에 대한 작업을 시작했습니다. III D 토카막. 플라즈마의 모양과 반응에 입력되는 빔의 강도를 변경하는 것을 포함하여 컨트롤러가 불안정성을 피하기 위해 특정 매개변수를 실시간으로 조정하는 방법을 확인하기 위해 Carmack의 실제 융합 실험에서 테스트가 수행되었습니다.

결과는 AI가 불안정성을 성공적으로 예측할 수 있음을 보여줍니다!

이를 통해 연구자들은 더 이상 수동적이지 않으며 조치를 취하기 전에 플라즈마 제어 손실이 발생할 때까지 기다릴 필요가 없습니다.

제어를 위한 강화학습 시스템 설계

논문의 소개에 따르면 연구진이 설계한 AI 컨트롤러는 모니터링되는 플라즈마 상태에 따라 컨트롤러의 작업을 자동으로 조정함으로써 플라즈마의 안정성을 확보할 수 있다. 동시에 압력을 최대한 높이십시오.

그림 1: 시스템 설계 프레임워크

그림 1a 및 1b: 실험의 일반적인 플라즈마 샘플과 연구를 위해 선택된 진단 도구 및 제어 장비. 그 중 q=2 자속면에서는 2/1 모드 찢어짐 불안정성이 발생할 수 있다.

그림 1c: 측정 신호를 처리하고 해당 액추에이터 명령을 생성할 수 있는 제어 시스템 아키텍처.

그림 1d: DNN 기반 AI 컨트롤러는 훈련된 전략을 기반으로 전체 빔 전력 및 플라즈마 형태에 대한 높은 수준의 제어 명령을 결정할 수 있습니다. 플라즈마 제어 시스템(PCS)은 AI 컨트롤러가 설정한 고급 제어 요구 사항을 충족할 뿐만 아니라 설정된 제한 사항도 준수하는지 확인하기 위해 자기 코일의 제어 신호와 각 빔의 전력을 계산하는 역할을 담당합니다. 사용자에 의해.

시스템 설계

핵융합 에너지를 효율적으로 생산하기 위해서는 장치가 갑자기 작동을 멈출 수 있는 불안정성을 피하면서 플라즈마의 높은 압력을 유지하는 것이 핵심입니다.

그러나 중성 빔 등으로 압력을 높이기 위해 플라즈마를 가열하면 임계값이 발생합니다(그림 2a의 검은색 선).

이 임계값을 초과하면 플라즈마가 찢어지는 불안정성을 경험하게 되어 빠르게 플라즈마 파열로 이어질 수 있습니다(그림 2b 및 2c).

이 안정성 임계값은 플라즈마 상태가 변경됨에 따라 변경되며 경우에 따라 압력을 낮추면 불안정성을 유발할 수도 있다는 점은 주목할 가치가 있습니다.

그림 2의 파란색 선과 같이 플라즈마 상태에 따라 컨트롤러의 동작을 조절함으로써 불안정성을 유발하지 않고 더 높은 플라즈마 압력을 추구하는 것이 가능합니다.

그림 2: 토카막 제어 및 플라즈마에 대한 AI 눈물 방지 시스템의 반응

실제로는 장애물이 실험을 종료시키는 위험 요소인 '장애물 회피 문제'로 이해할 수 있습니다.

구체적으로 핵융합 자체에 대해 말하자면, 플라즈마가 안정성 한계를 초과하지 않고 높은 압력을 유지하는 좁은 경로를 따라 흐르도록 토카막 장치를 제어하는 ​​것입니다.

이 목표를 달성하기 위해 연구원들은 강화 학습 방법을 통해 행위자 모델을 훈련하고 허용 가능한 찢어짐 위험으로 플라즈마가 얼마나 높은 압력에 도달할 수 있는지 측정하는 보상 함수 R을 설계했습니다.

여기서 β_N은 정규화된 플라즈마 압력 값을 나타내고, T는 찢어질 위험을 나타내며, k는 인위적으로 설정된 안전 임계값입니다. 보다 구체적으로 β_N과 T는 AI 컨트롤러가 조치를 취한 후 25밀리초 후에 예측된 결과입니다.

이 예측에 따르면 찢어짐 위험이 우리가 설정한 임계값보다 낮으면 Actor 모델은 플라즈마의 압력에 따라 긍정적인 보상을 받게 됩니다. 그렇지 않으면 부정적인 보상을 받게 됩니다.

수식 (1)에 따라 더 높은 보상을 얻으려면 액터는 먼저 제어 작업을 통해 β_N 값을 높여야 합니다.

그러나 β_N이 증가하면 플라즈마가 불안정해지고 결국 찢어짐 표시기(T)가 안전 임계값(k)을 초과하게 되어 보상이 감소할 수 있습니다. 특히 T가 k를 초과하면 보상이 급격히 감소합니다.

따라서 제어 에이전트는 단순히 β_N 개선을 추구하기보다는 T를 안전 임계값 k 미만으로 유지하는 데 우선순위를 둡니다.

배우는 충분한 강화 학습 훈련을 통해 마침내 찢어짐 지표가 안전한 범위 내에 유지되도록 하면서 높은 플라즈마 압력을 추구할 수 있는 균형 전략을 찾을 수 있습니다.

이 전략을 사용하면 토카막은 그림 2d와 같이 방전 중에 정확하게 계획된 경로를 따라 실행할 수 있습니다.

그림 2: AI 찢어짐 방지 시스템에 의한 토카막 제어 및 플라즈마 반응

찢김 발생은 공간 정보와 기울기에 크게 좌우되므로 관찰 변수는 1차원 동적으로 설정됩니다. 자속 좌표에 매핑된 자기 프로파일.

구체적으로는 전자밀도, 전자온도, 이온회전, 안전계수, 플라즈마압력 곡선이 관찰됩니다.

실험 결과

그림 3b의 검은색 선은 찢어짐 불안정으로 인한 플라즈마 중단의 예를 보여줍니다.

이번 방전에서는 전통적인 피드백 제어를 사용하여 특정 매개변수 수준(β_N = 2.3)을 유지했습니다. 그러나 2.6초에서는 심각한 찢어짐 불안정이 발생해 파라미터가 급락했고, 결국 3.1초에서는 플라즈마 중단 현상이 발생했다.

그림 3b의 파란색 선은 AI 제어 하의 빔 전력 및 플라즈마 형태입니다. 그림 3c와 그림 3d는 각각 특정 제어 프로세스 동안 플라즈마 모양과 빔 전력의 조정을 보여줍니다.

이번 방전 동안 AI 컨트롤러는 실시간 플라즈마 데이터를 기반으로 빔 파워 및 형상에 대한 조정 지침을 공식화했으며, 이는 플라즈마 제어 시스템(PCS)에 의해 자기 코일 조정 등 특정 작업으로 변환되었습니다. 8개의 빔의 전력을 정밀하게 제어합니다.

그림 3e의 파란색 선은 AI 제어 방전의 후속 추정치입니다. 인열 경향은 전체 공정 동안 미리 결정된 임계값 이하로 효과적으로 제어되었으며 기대와 완전히 일치하는 것을 볼 수 있습니다.

이 실험은 AI 제어가 기존 제어 방법보다 찢어짐 위험을 더 효과적으로 줄일 수 있음을 입증했을 뿐만 아니라, AI 적응 제어의 장점을 반영하여 기준 실험에 비해 전반적인 성능이 향상되었음을 보여줍니다.

그림 3: AI 에너지 기반 찢어짐 방지 실험

그림 4a는 서로 다른 설정 임계값(각각 0.2, 0.5, 0.7)을 갖는 컨트롤러를 사용한 세 가지 실험을 보여줍니다.

그 중 임계값을 0.5와 0.7로 설정하면 플라즈마가 안정적으로 계속될 수 있으며 실험이 끝날 때까지 파괴적인 불안정성이 발생하지 않습니다.

그림 4b ~ 4d는 세 번의 실험 후 분석된 인열 경향을 보여줍니다. 그림의 배경색은 각 시점의 다양한 빔 파워에서 예상되는 인열 경향을 나타내고, 실제 사용된 빔 파워는 검은색 선으로 표시되며, 점선은 다양한 임계값에서의 인열 경향 수준을 나타냅니다.

다른 임계값 설정으로 인해 AI 제어가 다른 행동 특성을 나타내는 것을 볼 수 있습니다.

그림 4b의 분석에 따르면 찢어짐 예측 모델은 불안정성이 발생하기 300밀리초 전에 경고할 수 있으며 컨트롤러도 빔 전력을 더욱 줄이려고 시도합니다.

그림 4c에서 k = 0.5인 AI 컨트롤러는 임계값에 도달하지 않도록 사전 조치를 취하여 불안정성 경고에 응답하도록 설정되어 있습니다.

컨트롤러가 조치를 취한 후 25밀리초 후에 찢어짐 경향을 기반으로 보상 메커니즘이 계산되므로 훈련된 컨트롤러는 경고가 발생하기 수십 밀리초 전에 조치를 취합니다.

그림 4: 서로 다른 임계값 설정을 사용한 비교 실험

미래를 향한 길을 밝히다

연구원들은 이 연구가 핵융합 반응을 효과적으로 제어하는 ​​데 있어 AI의 잠재력을 성공적으로 입증했지만, 이는 단지 융합연구 분야의 발전을 위한 첫걸음입니다.

먼저 AI 컨트롤러의 실제 효과를 입증하기 위해 DIII-D에 대한 더 많은 증거를 수집한 다음 다른 토카막 장치로 적용 범위를 확대할 계획입니다.

"우리는 이 컨트롤러가 DIII-D에서 잘 작동한다는 좋은 증거를 가지고 있지만 다양한 상황을 처리할 수 있다는 것을 증명하려면 더 많은 데이터가 필요합니다"라고 개발자 중 한 명인 Seo가 말했습니다. "우리의 목표는 좀 더 일반적인 솔루션을 개발하는 것입니다."

두 번째 연구 방향은 이 알고리즘을 확장하여 AI 컨트롤러가 더 불안정한 문제를 동시에 처리할 수 있도록 하는 것입니다.

Kolemen 팀의 대학원생이자 현재 PPPL의 박사후 연구원이자 공동 저자인 Ricardo Shousha는 다음과 같이 설명했습니다. "여러 매개변수를 조정하여 여러 매개변수를 조정하는 포괄적인 보상 함수가 있다고 상상할 수 있습니다. 동시에 핵융합 반응을 제어하기 위한 더 나은 AI 컨트롤러를 개발하는 과정에서 연구자들은 플라즈마의 기본 물리학에 대한 더 깊은 이해를 얻을 수도 있습니다.

플라즈마 안정성을 유지할 때 AI 컨트롤러가 내린 결정을 분석해 보면 기존 방법과 매우 다른 경우가 많다는 것을 알 수 있습니다.

이는 AI가 핵융합 반응을 제어하는 ​​효과적인 도구가 될 수 있을 뿐만 아니라, 핵융합 과학을 다양한 관점에서 이해하고 탐구하는 데 도움이 되는 새로운 교육 자원 역할을 할 수 있음을 보여줍니다.

팀 소개

서재민은 KSTAR 및 DIII-D 프로젝트의 플라즈마 예측 및 제어를 위한 기계 학습 기술 적용에 중점을 두고 있는 박사후 연구원입니다.

재민은 서울대학교 원자력공학과에서 박사학위를 받았습니다. 이 기간 동안 그는 강화학습 방법을 혁신적으로 사용하여 KSTAR의 새로운 플라즈마 제어 알고리즘을 설계했습니다.

현재 그의 연구 초점은 DIII-D 프로젝트의 인열 모드 예측 및 제어 기술 탐구로 바뀌었습니다.

또한 재민은 플라즈마의 동적 평형 상태를 실시간으로 재구성하는 것을 목표로 하는 고속 신경망 모델도 연구하고 있는데, 이는 제어 알고리즘의 효율성과 정확성을 향상시키는 데 큰 의미가 있습니다.

에게멘 콜레멘

교신저자인 Egemen Kolemen은 프린스턴대학교 기계항공우주공학과 부교수이며 Andlinger 에너지 및 환경 센터와 프린스턴 플라즈마 물리학 연구소(PPPL)에서 근무하고 있습니다.

지속 가능한 에너지 프로젝트의 리더로서 융합 공학 분야에 대한 뛰어난 공헌으로 David J. Rose Excellence Award를 수상했으며 ITER 과학자 펠로우로 선정되었습니다.

콜레멘 교수의 연구는 비용 효율적인 핵융합로 개발을 목표로 엔지니어링 기술과 물리적 분석을 결합하는 데 전념하고 있습니다. 현재 그는 KSTAR, NSTX-U 및 DIII-D 프로젝트에서 기계 학습, 실시간 모니터링 및 제어에 대한 연구를 수행하는 팀을 이끌고 있습니다.