Princeton's AI ontsluit nieuwe prestatieniveaus in fusiereactoren

Onderzoekers aan de Princeton University en Princeton Plasma Physics Laboratory hebben met succes machinaal leren ingezet om energie-uitbraken aan de randen van plasma in fusiereactoren te onderdrukken, waardoor de prestaties worden verbeterd zonder schade. Bron: SciTechDaily.com

Een team van Princeton heeft een machine learning methode ontwikkeld voor het regelen van plasma-randuitbraken in fusiereactoren, waarbij hoge prestaties worden bereikt zonder instabiliteiten en de berekeningstijden aanzienlijk worden verminderd voor real-time systeemaanpassingen.

Het bereiken van een continue fusiereactie is een complex, maar delicaat evenwichtsspel. Het vereist een zee aan bewegende delen die samenkomen om een hoogpresterende plasma te behouden: een die dicht genoeg is, heet genoeg en lang genoeg opgesloten voor fusie.

Maar naarmate wetenschappers de grenzen van plasma prestaties verleggen, ontmoeten ze nieuwe uitdagingen om plasma's onder controle te houden, waaronder een die bursts van energie omvat die ontsnappen uit de rand van een superhete plasma. Deze rand-uitbraken beïnvloeden de algehele prestaties negatief en kunnen zelfs over de tijd de plasmagerichte componenten van een reactor beschadigen.

Nu hebben een team van fusieonderzoekers onder leiding van ingenieurs aan Princeton en het U.S. Department of Energy's Princeton Plasma Physics Laboratory (PPPL) met succes machine learning methoden ingezet om deze schadelijke rand-instabiliteiten te onderdrukken - zonder plasma prestaties op te offeren.

Tekening van een tokamak. Credit: Bumper DeJesus, Andlinger Center for Energy and the Environment

Met hun aanpak, die de onderdrukkingsrespons van het systeem in realtime optimaliseert, heeft het onderzoeksteam de hoogste fusieprestaties getoond zonder de aanwezigheid van randuitbraken bij twee verschillende fusiefaciliteiten - elk met zijn eigen reeks bedrijfsparameters. De onderzoekers rapporteerden hun bevindingen op 11 mei in Nature Communications, waarbij ze het enorme potentieel van machine learning en andere kunstmatige intelligentie systemen benadrukten om snel plasma-instabiliteiten te onderdrukken.

"We hebben niet alleen aangetoond dat onze aanpak in staat was om een hoogpresterend plasma te behouden zonder instabiliteiten, maar we hebben ook aangetoond dat het kan werken bij twee verschillende faciliteiten," zei onderzoeksleider Egemen Kolemen, universitair hoofddocent Mechanische en Luchtvaarttechniek en het Andlinger Center for Energy and the Environment. "We hebben laten zien dat onze aanpak niet alleen effectief is, het is ook veelzijdig."

Onderzoekers hebben al lang geëxperimenteerd met verschillende manieren om fusiereactoren te bedienen om de noodzakelijke voorwaarden voor fusie te bereiken. Een van de meest veelbelovende benaderingen betreft het bedienen van een reactor in de modus met hoge insluiting, een regime dat wordt gekenmerkt door het ontstaan van een steile drukgradiënt aan de rand van het plasma, dat een verbeterde plasma-insluiting biedt.

De modus met hoge insluiting gaat echter historisch hand in hand met instabiliteiten aan de rand van het plasma, een uitdaging die fusieonderzoekers heeft doen zoeken naar creatieve oplossingen.

Een oplossing houdt in dat de magnetische spoelen die een fusiereactor omringen, magnetische velden toepassen op de rand van het plasma, waardoor de structuren die anders mogelijk zouden uitgroeien tot een volwaardige randinstabiliteit uiteenvallen. Toch is deze oplossing onvolmaakt: hoewel het succesvol is bij het stabiliseren van het plasma, leidt het toepassen van deze magnetische verstoringen meestal tot lagere algemene prestaties.

"We hebben een manier om deze instabiliteiten te regelen, maar op onze beurt hebben we de prestaties moeten opofferen, wat een van de belangrijkste motivaties is om in de eerste plaats te werken in de modus met hoge insluiting," zei Kolemen, die ook een stafonderzoeksfysicus is bij PPPL.

Het prestatieverlies is deels te wijten aan de moeilijkheid om de vorm en amplitude van de toegepaste magnetische storingen te optimaliseren, wat op zijn beurt voortkomt uit de computationele intensiteit van de bestaande natuurkunde-gebaseerde optimalisatiemethoden. Deze conventionele methoden bestaan uit een reeks complexe vergelijkingen en kunnen tientallen seconden kosten om een enkel punt in de tijd te optimaliseren - verre van ideaal als het gedrag van plasma in luttele milliseconden kan veranderen. Bijgevolg hebben fusieonderzoekers de vorm en amplitude van de magnetische verstoringen voor elke fusierun vooraf moeten instellen, waardoor ze de mogelijkheid om realtime aanpassingen te maken verliezen.

"In het verleden moest alles van tevoren worden geprogrammeerd," zei mede-eerste auteur SangKyeun Kim, een stafonderzoekswetenschapper bij PPPL en voormalig postdoctoraal onderzoeker in de groep van Kolemen. "Die beperking heeft het moeilijk gemaakt om het systeem echt te optimaliseren, omdat het betekent dat de parameters niet in realtime kunnen worden gewijzigd, afhankelijk van hoe de omstandigheden van het plasma zich ontvouwen."

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.”