Der TCV-Reaktor. Tiefengeist
Eine künstliche Intelligenz KI könnte uns helfen, das grenzenlose Energiepotenzial der Kernfusion zu erschließen.
DeepMind im Besitz von Google, das in Großbritannien ansässige Unternehmen, das KI entwickelt, um einige der komplexesten wissenschaftlichen Probleme der Welt anzugehen, hat einen Deep-Reinforcement-Learning-Algorithmus trainiert, um das brennende Plasma in einem Kernfusionsreaktor zu kontrollieren, ein Bericht von MIT-Nachrichten enthüllt.
Eine KI, die gebaut wurde, um den Tokamak zu zähmen
In Zusammenarbeit mit dem Swiss Plasma Center der EPFL konnte DeepMind sein maschinelles Lernwissen anwenden, um einen Tokamak zu zähmen — eine RundeKernfusionsreaktor das könnte es uns eines Tages ermöglichen, die von der Sonne und den Sternen angezapfte Energie zu nutzen.
Das Team, das seine Ergebnisse in einem Artikel in umrissdas TagebuchNatur, sagte, dass sein neuer Durchbruch Physikern ein besseres Verständnis dafür vermitteln könnte, wie Fusion funktioniert. „Dies ist eine der herausforderndsten Anwendungen des verstärkenden Lernens in einem realen System“, sagte Martin Riedmiller, Forscher bei DeepMind.
Zur Kernfusion kommt es, wenn zwei Atome zusammenprallen und einen schwereren Kern bilden, ein Prozess, der eine enorme Energiemenge in Form von Plasma freisetzt. Im Inneren von Sternen wird dieses Plasma durch die Schwerkraft zusammengehalten. Hier auf der Erde müssen sich Wissenschaftler darauf verlassenleistungsstarke Laser und Magnete, wie sie vom MIT und von Bill Gates unterstützt werden Commonwealth-Fusionssysteme.
90 Messungen zehntausendmal pro Sekunde überwacht
In einem Tokamak-Reaktor erfordert die Kontrolle dieses Plasmas eine ständige Überwachung des Magnetfelds. Das DeepMind-Team konnte seinen Reinforcement-Learning-Algorithmus trainieren, um das Plasma in einer Computersimulation zu kontrollieren. Nachdem die KI das virtuelle Plasma erfolgreich kontrolliert hatte, war es soweiterlaubte, die Magnete im Tokamak mit variabler Konfiguration TCV, einem Versuchsreaktor in Lausanne, Schweiz, zu steuern. Die KI war in der Lage, das Plasma für insgesamt zwei Sekunden zu steuern, was die Gesamtzeit ist, die der TCV-Reaktor zuvor laufen kannes überhitzt.
Die KI überwachte das Plasma genau, indem sie zehntausend Mal pro Sekunde 90 verschiedene Messungen vornahm. Anschließend passte sie die Spannung für die 19 Magnete des Reaktors entsprechend an. Die Forscher sagten diese Art von KI könnte es ihnen ermöglichen, zukünftige Tokamak-Experimente streng zu kontrollieren, was bedeutet, dass sie in der Lage sein werden, mit einer größeren Anzahl von Bedingungen zu experimentieren. Es klingt wie etwas aus Science-Fiction: Eine künstliche Intelligenz könnte es uns ermöglichen, endlich die gleiche Energie wie die Sterne zu nutzenund die Sonne.
Studienzusammenfassung:
Kernfusion mit magnetischem Einschluss, insbesondere in der Tokamak-Konfiguration, ist ein vielversprechender Weg zu nachhaltiger Energie. Eine zentrale Herausforderung besteht darin, ein Hochtemperaturplasma innerhalb des Tokamak-Gefäßes zu formen und aufrechtzuerhalten. Dies erfordert hochdimensionale Hochfrequenz, Closed-Loop-Steuerung mit magnetischen Aktuatorspulen, die durch die unterschiedlichen Anforderungen für eine Vielzahl von Plasmakonfigurationen weiter verkompliziert wird.In dieser Arbeit stellen wir eine zuvor unbeschriebene Architektur für das Design von Tokamak-Magnetreglern vor, die autonom lernt, den gesamten Satz von Steuerspulen zu steuernDiese Architektur erfüllt die auf hohem Niveau spezifizierten Steuerziele und erfüllt gleichzeitig die physikalischen und betrieblichen Einschränkungen.Dieser Ansatz bietet eine beispiellose Flexibilität und Allgemeingültigkeit bei der Problemspezifikation und führt zu einer bemerkenswerten Reduzierung des Konstruktionsaufwands zur Herstellung neuer Plasmakonfigurationen.Wir produzieren erfolgreich undSteuern Sie eine Vielzahl von Plasmakonfigurationen auf dem Tokamak à Configurationsvariable1,2, einschließlich länglicher, konventioneller Formen, sowie fortgeschrittener Konfigurationen, wie negative Dreiecksform und „Schneeflocken“-Konfigurationen. Unser Ansatz ermöglicht eine genaue Verfolgung des Ortes, Stroms und der Form für diese Konfigurationen. Wir demonstrieren auch anhaltende „Tröpfchen“ auf TCV, bei dem zwei getrennte Plasmen gleichzeitig innerhalb des Gefäßes aufrechterhalten werden. Dies stellt einen bemerkenswerten Fortschritt für die Tokamak-Rückkopplungskontrolle dar, zeigt das Potenzial des Verstärkungslernens zur Beschleunigung der Forschung im Fusionsbereich und ist eines der herausforderndsten realen Systeme, die es zu bewältigen giltReinforcement Learning wurde angewendet.