L'IA di Princeton sblocca nuovi livelli di prestazioni nei reattori a fusione

I ricercatori di Princeton e del Princeton Plasma Physics Laboratory sono riusciti ad utilizzare con successo l'apprendimento automatico per sopprimere le esplosioni di energia ai bordi del plasma nei reattori di fusione, aumentando le prestazioni senza causare danni. Credit: SciTechDaily.com

Un team di Princeton ha sviluppato un metodo di apprendimento automatico per controllare le esplosioni al bordo del plasma nei reattori di fusione, ottenendo alte prestazioni senza instabilità e riducendo notevolmente i tempi di calcolo per gli aggiustamenti del sistema in tempo reale.

Raggiungere una reazione di fusione sostenuta è un compito complesso e delicato. Richiede che un mare di parti mobili si unisca per mantenere un plasma ad alte prestazioni: abbastanza denso, abbastanza caldo e confinato abbastanza a lungo perché la fusione abbia luogo.

Tuttavia, spingendo i limiti delle prestazioni del plasma, i ricercatori si sono imbattuti in nuove sfide per tenere sotto controllo i plasmi, compresa una che coinvolge esplosioni di energia che sfuggono dall'orlo di un plasma super caldo. Queste esplosioni di bordo influiscono negativamente sulle prestazioni complessive e possono addirittura danneggiare nel tempo i componenti di un reattore a contatto con il plasma.

Ora, un team di ricercatori sulla fusione guidato da ingegneri di Princeton e del Laboratorio di Fisica del Plasma di Princeton del Dipartimento dell'Energia degli Stati Uniti (PPPL) ha utilizzato con successo metodi di apprendimento automatico per sopprimere queste instabilità di bordo dannose, senza sacrificare le prestazioni del plasma.

Rappresentazione di un tokamak. Credit: Bumper DeJesus, Andlinger Center for Energy and the Environment

Con il loro approccio, che ottimizza in tempo reale la risposta di soppressione del sistema, il team di ricerca ha dimostrato la più alta performance di fusione senza la presenza di esplosioni ai bordi in due diverse strutture di fusione, ognuna con il proprio set di parametri operativi. I ricercatori hanno riportato i loro risultati l'11 maggio su Nature Communications, sottolineando l'enorme potenziale dell'apprendimento automatico e altri sistemi di intelligenza artificiale per sopprimere rapidamente le instabilità del plasma.

"Non solo abbiamo dimostrato che il nostro approccio era in grado di mantenere un plasma ad alte prestazioni senza instabilità, ma abbiamo anche dimostrato che può funzionare in due strutture diverse", ha detto il leader della ricerca Egemen Kolemen, professore associato di ingegneria meccanica e aerospaziale e del Andlinger Center for Energy and the Environment. "Abbiamo dimostrato che il nostro approccio non è solo efficace, è anche versatile".

I ricercatori hanno a lungo sperimentato vari modi per far funzionare i reattori di fusione per raggiungere le condizioni necessarie per la fusione. Uno degli approcci più promettenti prevede il funzionamento di un reattore in modalità di confinamento elevato, un regime caratterizzato dalla formazione di un ripido gradiente di pressione al bordo del plasma che offre un miglioramento del confinamento del plasma.

Tuttavia, la modalità di confinamento elevato è stata storicamente accompagnata da instabilità ai bordi del plasma, una sfida che ha richiesto ai ricercatori della fusione di trovare soluzioni creative.

Una soluzione prevede l'uso delle bobine magnetiche che circondano un reattore di fusione per applicare campi magnetici al bordo del plasma, rompendo le strutture che altrimenti potrebbero svilupparsi in una instabilità di bordo a tutti gli effetti. Ma questa soluzione è imperfetta: sebbene sia efficace nel stabilizzare il plasma, l'applicazione di queste perturbazioni magnetiche porta di solito ad un calo delle prestazioni complessive.

"Abbiamo un modo per controllare queste instabilità, ma a nostra volta, abbiamo dovuto sacrificare le prestazioni, che è una delle motivazioni principali per operare in modalità di confinamento elevato in primo luogo", ha detto Kolemen, che è anche un fisico di ricerca dello staff al PPPL.

La perdita delle prestazioni è dovuta in parte alla difficoltà di ottimizzare la forma e l'ampiezza delle perturbazioni magnetiche applicate, che a sua volta deriva dall'intensità computazionale dei metodi di ottimizzazione esistenti basati sulla fisica. Questi metodi convenzionali comportano un insieme di equazioni complesse e possono impiegare decine di secondi per ottimizzare un singolo punto nel tempo, ben lontano dall'ideale quando il comportamento del plasma può cambiare in pochi millesimi di secondo. Di conseguenza, i ricercatori della fusione hanno dovuto preimpostare la forma e l'ampiezza delle perturbazioni magnetiche prima di ogni esecuzione della fusione, perdendo la capacità di fare aggiustamenti in tempo reale.

"In passato, tutto doveva essere pre-programmato", ha detto l'autore principale SangKyeun Kim, uno scienziato di ricerca dello staff del PPPL e ex ricercatore post-dottorato nel gruppo di Kolemen. "Questa limitazione ha reso difficile ottimizzare veramente il sistema, perché significa che i parametri non possono essere modificati in tempo reale a seconda di come si sviluppano le condizioni del 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.”