Princetons AI låser upp nya prestationsnivåer i fusionreaktorer

Forskare vid Princeton och Princeton Plasma Physics Laboratory har framgångsrikt använt maskininlärning för att dämpa energiurladdningar vid kanterna av plasma i fusionsreaktorer, vilket förbättrar prestanda utan skador. Kredit: SciTechDaily.com

Ett team från Princeton har utvecklat en maskininlärningsmetod för att kontrollera plasma-kanter i fusionsreaktorer, vilket uppnår hög prestanda utan instabilitet och dramatiskt minskar beräkningstider för justeringar av systemet i realtid.

Att uppnå en ihållande fusionreaktion är en komplex, men delikat balansakt. Det krävs en mängd rörliga delar som ska sammanfalla för att upprätthålla ett högpresterande plasma: ett som är tillräckligt tätt, tillräckligt varmt och inskränkt tillräckligt länge för att fusion ska kunna ske.

Men när forskare pressar gränserna för plasma-prestanda har de stött på nya utmaningar för att hålla plasma under kontroll, inklusive en som involverar energiutbrott från kanten på ett superhett plasma. Dessa utbrott från kanterna påverkar negativt den totala prestanda och kan till och med skada komponenterna i en reaktor som möter plasma över tid.

Nu har ett team av fusionsforskare under ledning av ingenjörer vid Princeton och U.S. Department of Energy's Princeton Plasma Physics Laboratory (PPPL) framgångsrikt implementerat maskininlärningsmetoder för att undertrycka dessa skadliga instabiliteter vid kanterna - utan att offra plasma-prestanda.

Åskådliggörande av en tokamak. Kredit: Bumper DeJesus, Andlinger Center for Energy and the Environment

Med deras tillvägagångssätt, som optimerar systemets undertryckningsrespons i realtid, visade forskningsteamet den högsta fusionsprestanda utan närvaro av kant-utbrott vid två olika fusionsanläggningar - var och en med sin egen uppsättning driftsparametrar. Forskarna rapporterade sina fynd den 11 maj i Nature Communications, vilket understryker den enorma potentialen hos maskininlärning och andra AI system för att snabbt kväsa plasma-instabiliteter.

"Vi visade inte bara att vårt tillvägagångssätt kunde upprätthålla ett högpresterande plasma utan instabiliteter, men vi visade också att det kan fungera på två olika anläggningar," sa forskningsledaren Egemen Kolemen, biträdande professor i maskin- och rymdteknik och Andlinger Center för energi och miljö. "Vi visade att vårt tillvägagångssätt inte bara är effektivt, det är också mångsidigt."

Forskare har under lång tid experimenterat med olika sätt att använda fusionsreaktorer för att uppnå de nödvändiga förhållandena för fusion. Bland de mest lovande tillvägagångssätten är att arbeta i ett höginskränknings-läge, vilket innebär bildandet av en brant tryckgradient vid plasma-kanten som ger förbättrad plasma inneslutning.

High-inskränknings läget har dock historiskt kommit hand i hand med instabilitet vid plasma-kanten, vilket har krävt att fusionsforskare hittar kreativa lösningar.

En lösning innebär att man använder de magnetiska spolarna som omger en fusionsreaktor för att applicera magnetfält på plasmas kant, vilket bryter upp de strukturer som annars kan utvecklas till en fullfjädrad kantinstabilitet. Men den här lösningen är inte perfekt: även om dessa magnetiska störningar är framgångsrika vid stabilisering av plasma, leder det vanligtvis till lägre total prestanda.

"Vi har ett sätt att kontrollera dessa instabiliteter, men i gengäld har vi fått offra prestandan, vilket är en av de främsta motiven för att arbeta i hög-inskränkningsläge från första början", sa Kolemen, som är även forskningsfysiker vid PPPL.

Prestandaförlusten beror delvis på svårigheten att optimera formen och amplituden på de applicerade magnetiska störningarna, vilket i sin tur beror på den beräkningsintensiva intensiteten hos befintliga fysikbaserade optimeringsmetoder. Dessa konventionella metoder innefattar en uppsättning komplexa ekvationer och kan ta tiotals sekunder för att optimera en enda punkt i tid - långt ifrån idealiskt när beteendet hos plasma kan ändras inom bara millisekunder. Följaktligen har fusionsforskare varit tvungna att förinställa formen och amplituden på de magnetiska störningarna före varje fusionskörning, vilket gör att de förlorar förmågan att göra justeringar i realtid.

"I det förflutna har allt behövt bli förprogrammerat", sa ko-författaren SangKyeun Kim, en forskningsfysiker vid PPPL och före detta postdoktoralforskare i Kolemengruppen. "Den begränsningen har gjort det svårt att verkligen optimera systemet, eftersom det innebär att parametrarna inte kan ändras i realtid beroende på hur plasmas förhållanden utvecklas".

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.”