眨眼间，驱动聚变反应的难以控制的过热等离子体就会失去稳定性，并逃离将其限制在环形聚变反应堆内的强磁场。这些逃逸通常意味着反应的结束，对将聚变发展为无污染、几乎无限的能源提出了核心挑战。

但由普林斯顿大学和普林斯顿等离子体物理实验室(PPPL)的工程师、物理学家和数据科学家组成的普林斯顿大学领导的团队已经利用人工智能的力量来预测并避免实际中特定等离子体问题的形成。时间。

在圣地亚哥DIII-D国家聚变设施的实验中，研究人员展示了他们的模型，仅根据过去的实验数据进行训练，可以提前300毫秒预测潜在的等离子体不稳定性，即撕裂模式不稳定性。

虽然这没有足够的时间让人类缓慢眨眼，但人工智能控制器有足够的时间来改变某些操作参数，以避免等离子体磁场线内发展成撕裂，破坏其平衡并打开反应结束逃生的门。

研究负责人EgemenKolemen表示：“通过从过去的实验中学习，而不是结合来自基于物理的模型的信息，人工智能可以制定最终控制策略，在真实的反应堆中实时支持稳定的高功率等离子体状态。”是安德林格能源与环境中心机械与航空航天工程副教授，也是PPPL的研究物理学家。

该研究为比现有方法更动态地控制聚变反应打开了大门，并为利用人工智能解决广泛的等离子体不稳定性奠定了基础，这些不稳定性长期以来一直是实现持续聚变反应的障碍。该团队于2月21日在《自然》杂志上发表了他们的发现。

“以前的研究通常集中在抑制或减轻这些撕裂不稳定性在等离子体中发生后的影响，”第一作者、韩国中央大学物理学助理教授JaeminSeo说，他完成了大部分工作。同时是Kolemen课题组的博士后研究员。“但我们的方法使我们能够在这些不稳定因素出现之前预测并避免它们。”

过热等离子体在环形装置中旋转

当两个原子(通常是氢等轻原子)聚集在一起形成一个较重的原子时，就会发生聚变，并在此过程中释放大量能量。这一过程为太阳提供动力，进而使地球上的生命成为可能。

然而，让两个原子融合是很棘手的，因为两个原子需要大量的压力和能量来克服它们的相互排斥。

对于太阳来说幸运的是，其巨大的引力和其核心的极高压力使得聚变反应得以进行。为了在地球上复制类似的过程，科学家们使用极热的等离子体和极强的磁铁。

在被称为托卡马克的甜甜圈形状的装置(有时被称为“罐子里的星星”)中，磁场很难容纳温度超过1亿摄氏度(比太阳中心还热)的等离子体。

虽然有许多类型的等离子体不稳定性可以终止反应，但普林斯顿大学团队专注于解决撕裂模式不稳定性，这是一种等离子体内磁场线实际上破裂并为等离子体随后逃逸创造机会的干扰。

Seo表示：“撕裂模式的不稳定性是等离子体破坏的主要原因之一，当我们尝试以产生足够能量所需的高功率进行聚变反应时，撕裂模式的不稳定性将变得更加突出。”“它们是我们需要解决的重要挑战。”

融合人工智能和等离子体物理学

由于撕裂模式的不稳定性可以在几毫秒内形成并破坏聚变反应，因此研究人员转向人工智能，因为它能够快速处理新数据并采取行动。

但开发有效的人工智能控制器的过程并不像在托卡马克上尝试一些东西那么简单，因为时间有限，而且风险很高。

共同作者、科莱门小组的研究学者阿扎拉赫什·贾拉万德(AzarakhshJalalvand)将教授一种在托卡马克装置中运行聚变反应的算法与教某人如何驾驶飞机进行了比较。

贾拉万德说：“你不会通过递给某人一套钥匙并告诉他们尽力而为来教导他们。”“相反，你会让他们在非常复杂的飞行模拟器上练习，直到他们学到足够的知识来尝试真正的东西。”

就像开发飞行模拟器一样，普林斯顿团队使用DIII-D托卡马克过去实验的数据构建了一个深度神经网络，能够根据实时等离子体特性预测未来撕裂不稳定性的可能性。

他们使用该神经网络来训练强化学习算法。就像飞行员学员一样，强化学习算法可以尝试不同的控制等离子体的策略，通过反复试验来学习哪些策略有效，哪些策略在模拟环境的安全范围内无效。

“我们不会向强化学习模型教授聚变反应的所有复杂物理原理，”贾拉万德说。“我们告诉它目标是什么——保持高能反应——要避免什么——撕裂模式不稳定——以及它可以转动哪些旋钮来实现这些结果。随着时间的推移，它会学习实现目标的最佳途径拥有强大的权力，同时避免不稳定的惩罚。”

虽然该模型经历了无数的模拟聚变实验，试图找到保持高功率水平同时避免不稳定的方法，但合著者SangKyeunKim可以观察并完善其行为。

“在背景中，我们可以看到该模型的意图，”PPPL的研究员、Kolemen团队的前博士后研究员Kim说。“模型想要的一些变化太快了，所以我们努力让模型变得平滑和平静。作为人类，我们在人工智能想要做什么和托卡马克可以适应的事情之间进行仲裁。”

一旦他们对人工智能控制器的能力充满信心，他们就在D-IIID托卡马克的实际聚变实验中对其进行了测试，观察控制器对某些托卡马克参数进行实时更改以避免不稳定的发生。这些参数包括改变等离子体的形状和向反应输入功率的光束的强度。

“能够提前预测不稳定性可以使这些反应比目前的方法更容易，因为目前的方法更加被动，”金说。“我们不再需要等待不稳定性发生，然后在等离子体被破坏之前采取快速纠正措施。”

赋能未来

虽然研究人员表示，这项工作是一个很有前景的概念验证，展示了人工智能如何有效地控制聚变反应，但这只是科莱门小组已经在推进聚变研究领域的众多后续步骤之一。

第一步是获取AI控制器在DIII-D托卡马克上运行的更多证据，然后将该控制器扩展到其他托卡马克上。

“我们有强有力的证据表明控制器在DIII-D上工作得很好，但我们需要更多数据来证明它可以在许多不同的情况下工作，”第一作者Seo说。“我们希望努力实现更普遍的目标。”

第二个研究方向涉及扩展算法以同时处理许多不同的控制问题。虽然当前模型使用有限数量的诊断来避免一种特定类型的不稳定性，但研究人员可以提供其他类型不稳定性的数据，并允许人工智能控制器访问更多旋钮进行调整。

“你可以想象一个巨大的奖励函数，它可以转动许多不同的旋钮来同时控制多种类型的不稳定性，”共同作者RicardoShousha说，他是PPPL的博士后，也是Kolemen小组的前研究生，为DIII的实验提供了支持。D.

在开发更好的聚变反应人工智能控制器的过程中，研究人员也可能对底层物理学有更多的了解。通过研究人工智能控制器在试图控制等离子体时的决策(这可能与传统方法所规定的完全不同)，人工智能可能不仅是控制聚变反应的工具，而且还是一种教学资源。

“最终，这可能不仅仅是开发和部署这些人工智能模型的科学家之间的单向互动，”科尔曼说。“通过更详细地研究它们，它们可能也能教给我们某些东西。”

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：