L'IA de Princeton débloque de nouveaux niveaux de performance dans les réacteurs de fusion

Les chercheurs de Princeton et du Laboratoire de Physique des Plasmas de Princeton ont réussi à utiliser l'apprentissage automatique pour supprimer les explosions d'énergie aux bords du plasma dans les réacteurs de fusion, améliorant les performances sans dommage. Crédit : SciTechDaily.com

Une équipe de Princeton a développé une méthode d'apprentissage automatique pour contrôler les explosions de plasma dans les réacteurs de fusion, atteignant des performances élevées sans instabilités et réduisant considérablement les temps de calcul pour les ajustements du système en temps réel.

La réalisation d'une réaction de fusion soutenue est un exercice complexe et délicat. Elle nécessite une multitude de pièces mobiles pour maintenir un plasma haute performance : assez dense, assez chaud, et confiné suffisamment longtemps pour que la fusion se produise.

Alors que les chercheurs repoussent les limites des performances du plasma, ils rencontrent de nouveaux défis pour maintenir le contrôle du plasma, notamment celui impliquant des explosions d'énergie qui s'échappent du bord d'un plasma super chaud. Ces explosions aux limites ont un impact négatif sur les performances globales et peuvent même endommager les composants du réacteur au contact du plasma au fil du temps.

A présent, une équipe de chercheurs sur la fusion dirigée par des ingénieurs de Princeton et du Laboratoire de Physique des Plasmas de Princeton du Département américain de l'Énergie (DOE) a réussi à déployer des méthodes d'apprentissage automatique pour supprimer ces instabilités dangereuses aux limites - sans sacrifier les performances du plasma.

Représentation d'un tokamak. Crédit : Bumper DeJesus, Centre Andlinger pour l'énergie et l'environnement

Avec leur approche, qui optimise la réponse de suppression du système en temps réel, l'équipe de recherche a atteint les meilleures performances de fusion sans présence d'explosions aux limites dans deux installations de fusion différentes, chacune avec son propre ensemble de paramètres d'exploitation. Les chercheurs ont rapporté leurs résultats le 11 mai dans Nature Communications, soulignant le potentiel considérable des systèmes d'apprentissage automatique et autres systèmes d'intelligence artificielle pour supprimer rapidement les instabilités du plasma.

« Non seulement nous avons montré que notre approche était capable de maintenir un plasma haute performance sans instabilités, mais nous avons également montré qu'elle peut fonctionner dans deux installations différentes », a déclaré le responsable de la recherche, Egemen Kolemen, professeur associé de génie mécanique et aérospatial et du Centre Andlinger pour l'énergie et l'environnement. « Nous avons démontré que notre approche n'est pas seulement efficace - elle est aussi polyvalente ».

Les chercheurs ont longtemps expérimenté diverses façons d'exploiter les réacteurs de fusion pour obtenir les conditions nécessaires à la fusion. L'une des approches les plus prometteuses consiste à faire fonctionner un réacteur en mode de confinement élevé, un régime caractérisé par la formation d'un gradient de pression abrupt à la limite du plasma, qui offre une meilleure confinement du plasma.

Cependant, le mode de confinement élevé s'est historiquement accompagné d'instabilités à la limite du plasma, un défi qui a nécessité des solutions créatives de la part des chercheurs en fusion.

Une solution consiste à utiliser les bobines magnétiques qui entourent un réacteur de fusion pour appliquer des champs magnétiques à la limite du plasma, afin de briser les structures qui pourraient sinon se développer en une instabilité complète. Cependant, cette solution est imparfaite : si elle réussit à stabiliser le plasma, l'application de ces perturbations magnétiques entraîne généralement une baisse des performances globales.

« Nous avons un moyen de contrôler ces instabilités, mais en retour, nous avons dû sacrifier les performances, qui sont l'une des principales motivations pour faire fonctionner en mode de confinement élevé en premier lieu », a déclaré Kolemen, également chercheur à PPPL.

La perte de performance est due en partie à la difficulté d'optimiser la forme et l'amplitude des perturbations magnétiques appliquées, ce qui découle de l'intensité de calcul des approches d'optimisation basées sur la physique existantes. Ces méthodes conventionnelles impliquent un ensemble d'équations complexes et peuvent prendre des dizaines de secondes pour optimiser un seul point dans le temps - loin d'être idéal lorsque le comportement du plasma peut changer en quelques millisecondes. Par conséquent, les chercheurs en fusion ont dû prédéfinir la forme et l'amplitude des perturbations magnétiques avant chaque essai de fusion, perdant ainsi la possibilité de faire des ajustements en temps réel.

« Dans le passé, tout devait être préprogrammé », a déclaré SangKyeun Kim, co-auteur principal et chercheur au PPPL, anciennement chercheur postdoctoral dans le groupe de Kolemen. « Cette limitation a rendu difficile l'optimisation réelle du système, car cela signifie que les paramètres ne peuvent pas être modifiés en temps réel en fonction de l'évolution des conditions du plasma ».

The Princeton-led team’s machine learning approach slashes the computation time from tens of seconds to the millisecond scale, opening the door for real-time optimization. The machine learning model, which is a more efficient surrogate for existing physics-based models, can monitor the plasma’s status from one millisecond to the next and alter the amplitude and shape of the magnetic perturbations as needed. This allows the controller to strike a balance between edge burst suppression and high fusion performance, without sacrificing one for the other.

“With our machine learning surrogate model, we reduced the calculation time of a code that we wanted to use by orders of magnitude,” said co-first author Ricardo Shousha, a postdoctoral researcher at PPPL and former graduate student in Kolemen’s group.

Because their approach is ultimately grounded in physics, the researchers said it would be straightforward to apply to different fusion devices around the world. In their paper, for instance, they demonstrated the success of their approach at both the KSTAR tokamak in South Korea and the DIII-D tokamak in San Diego. At both facilities, which each have a unique set of magnetic coils, the method achieved strong confinement and high fusion performance without harmful plasma edge bursts.

“Some machine learning approaches have been critiqued for being solely data-driven, meaning that they’re only as good as the amount of quality data they’re trained on,” Shousha said. “But since our model is a surrogate of a physics code, and the principles of physics apply equally everywhere, it’s easier to extrapolate our work to other contexts.”

The team is already working to refine their model to be compatible with other fusion devices, including planned future reactors such as ITER, which is currently under construction.

One active area of work in Kolemen’s group involves enhancing their model’s predictive capabilities. For instance, the current model still relies on encountering several edge bursts over the course of the optimization process before working effectively, posing unwanted risks to future reactors. If instead the researchers can improve the model’s ability to recognize the precursors to these harmful instabilities, it could be possible to optimize the system without encountering a single edge burst.

Kolemen said the current work is yet another example of the potential for AI to overcome longstanding bottlenecks in developing fusion power as a clean energy resource. Previously, researchers led by Kolemen successfully deployed a separate AI controller to predict and avoid another type of plasma instability in real time at the DIII-D tokamak.

“For many of the challenges we have faced with fusion, we’ve gotten to the point where we know how to approach a solution but have been limited in our ability to implement those solutions by the computational complexity of our traditional tools,” said Kolemen. “These machine learning approaches have unlocked new ways of approaching these well-known fusion challenges.”