Als neuer Meilenstein in der kontrollierbaren Kernfusion realisiert KI erstmals eine vollautomatische Optimierung des Dual-Tokamak-3D-Feldes, veröffentlicht in der Unterausgabe von Nature

Herausgeber |

Jetzt nutzen Wissenschaftler im Princeton Plasma Physics Laboratory (PPPL) künstliche Intelligenz, um eine dringende Herausforderung der Menschheit zu lösen: die Erzeugung sauberer, zuverlässiger Energie durch Fusionsplasma.

Im Gegensatz zu herkömmlichem Computercode ist maschinelles Lernen mehr als nur eine Liste von Anweisungen. Es kann Daten analysieren, Beziehungen zwischen Funktionen ableiten und aus neuem Wissen lernen und sich anpassen.

PPPL+-Forscher glauben, dass diese Lern- und Anpassungsfähigkeit ihre Kontrolle über Fusionsreaktionen auf verschiedene Weise verbessern könnte. Dazu gehört die Perfektionierung des Designs des Gefäßes, das das überhitzte Plasma umgibt, die Optimierung der Heizmethoden und die Aufrechterhaltung einer stabilen Kontrolle der Reaktion über immer längere Zeiträume.

Kürzlich hat die KI-Forschung von PPPL bedeutende Ergebnisse erzielt. PPPL-Forscher erklären, wie sie maschinelles Lernen nutzen, um magnetische Störungen zu vermeiden und Fusionsplasmen zu stabilisieren. Diese Errungenschaft ist von großer Bedeutung für die Erreichung einer nachhaltigen Fusionsenergie. Durch die Analyse und das Training großer Datenmengen entwickelten die Forscher erfolgreich ein Modell für maschinelles Lernen, das genauen Code für maschinelles Lernen zur Erkennung und Beseitigung von Plasmainstabilitäten liefert. (Quelle: General Atomics und Korea Fusion Energy Research Institute)

PPPL-Forschungsphysiker SangKyeun Kim, Hauptautor des Diskussionspapiers, sagte: „Die Forschungsergebnisse sind beeindruckend, weil wir in zwei Fällen denselben Code verwenden konnten. Diese Ergebnisse wurden erzielt.“ zu verschiedenen Tokamak-Geräten. „

Relevante Forschung trägt den Titel „Höchste Fusionsleistung ohne schädliche Kantenenergieausbrüche in Tokamak

“ und wurde in „

Nature Communications

“ veröffentlicht.

Link zum Papier: https://www.nature.com/articles/s41467-024-48415-w

Unterdrückung der „Kantenexplosion“ in der Fusion

Um das zu nutzen Um wettbewerbsfähig zu sein, muss der Markt für Fusionsenergie ein hohes Fusionsdreiprodukt (nτT) aus ausreichender Ionendichte (n), Temperatur (T) und Energieeinschlusszeit (τ) bei gleichzeitiger Aufrechterhaltung der Fusion erreichen.

Ionen benötigen einen ausreichenden Qualitätsfaktor (G∝ατT), um eine hohe Fusionsdenaturierung zu erreichen, die mit der Ioneneinschlussmasse zunimmt (H89: normalisierte Energieeinschlusszeit).

Damit Tokamak-Designs zu einer praktikablen Option für Fusionsreaktoren werden, müssen zuverlässige Methoden entwickelt werden, um Edge-Burst-Ereignisse regelmäßig zu unterdrücken, ohne G zu beeinträchtigen.

Wissenschaftler haben verschiedene Methoden eingesetzt, um Randausbrüche einzudämmen. Ein effektiver Ansatz ist die Nutzung der resonanten magnetischen Störung (RMP) externer 3D-Feldspulen, die sich als eine der vielversprechendsten Methoden zur Unterdrückung von Kantenstößen erwiesen hat.

Abbildung: 3D-Feldspulenstruktur in einem Tokamak. (Quelle: Papier)

Dieses Szenario ist jedoch mit hohen Kosten verbunden, da es zu einer erheblichen Verschlechterung von H89 und G im Vergleich zu Standard-Plasmasystemen mit hohem Einschluss führt und dadurch die wirtschaftlichen Aussichten schwächt. Darüber hinaus erhöhen 3D-Felder auch das Risiko einer katastrophalen Kerninstabilität, die als Störung bezeichnet wird und noch schwerwiegender ist als ein Edge-Blowout. Daher muss dringend die sichere Zugänglichkeit und Kompatibilität von Edge-Burst-freien Operationen und High-Constraint-Operationen untersucht werden.

Zum ersten Mal auf zwei Tokamaks erreicht

Diese Forschung führte erstmals eine innovative und integrierte 3D-Feldoptimierung auf zwei Tokamaks, KSTAR und DIII-D, durch, indem maschinelles Lernen (ML), adaptives und Multi-Machine-Lernen kombiniert wurde Funktionen zum automatischen Zugriff und Erreichen eines nahezu vollständig kantenfreien Burst-Zustands bei gleichzeitiger Verbesserung der Plasmafusionsleistung von einem anfänglichen Burst-unterdrückten Zustand, ein wichtiger Meilenstein auf dem Weg zum kantenfreien Burst-Betrieb in zukünftigen Reaktoren.

Dies wird erreicht, indem die Verzögerung zwischen Beginn und Verlust des kantenlosen Bursts in Echtzeit ausgenutzt wird, um den Plasmaeinschluss zu verbessern und gleichzeitig die Fähigkeiten von ML bei der Erfassung der Physik und der Optimierung der Fusionstechnologie zu erweitern.

Abbildung: Leistungsvergleich der ELM-freien Entladung im DIII-D- und KSTAR-Tokamak. (Quelle: Paper)

Diese Integration hilft:

• Stark verbesserter Plasmaeinschluss, der den höchsten Fusions-G im Edge Localized Mode-freien (ELM-freien) Szenario von zwei Maschinen erreicht, wobei G um bis zu 90 % erhöht wird;

• Verwendung von ML-basiertem 3D-Feld Der Simulator realisiert erstmals eine vollautomatische 3D-Feldoptimierung;

• stellt gleichzeitig eine Burst-Unterdrückung ab Beginn des Plasmabetriebs her und erreicht so einen nahezu vollständigen kantenlosen Burst-Betrieb nahe dem ITER-bezogenen Niveau. Diese Errungenschaft stellt einen entscheidenden Schritt für zukünftige Geräte wie den International Thermonuclear Experimental Reactor (ITER) dar, bei dem die Abhängigkeit von der empirischen RMP-Optimierung kein praktikabler oder akzeptabler Ansatz mehr ist.

„Es gibt Instabilitäten in Plasmen, die schwere Schäden an Fusionsgeräten verursachen können. Wir können diese Substanzen nicht in kommerziellen Fusionsgefäßen verwenden. Unsere Arbeit bringt das Feld voran und zeigt, dass künstliche Intelligenz bei der Steuerung der Fusion nützlich sein kann.“ Sie spielt eine wichtige Rolle „Wir spielen eine wichtige Rolle bei der Reaktion, indem wir Instabilität vermeiden und gleichzeitig dem Plasma ermöglichen, so viel Fusionsenergie wie möglich zu erzeugen“, sagte der korrespondierende Autor Egemen Kolemen, außerordentlicher Professor in der Abteilung für Maschinenbau und Luft- und Raumfahrttechnik am PPPL.

Vollautomatische ML-basierte 3D-Feldoptimierung

In diesem Experiment wird eine Reihe von Entladungen verwendet, um optimierte 3D-Wellenformen für eine sichere ELM-Unterdrückung zu finden.

In diesem Zusammenhang stellt die Studie die ML-Technologie zur Entwicklung neuartiger Wege zur automatisierten 3D-Spulenoptimierung vor und demonstriert das Konzept erstmals.

Abbildung: Echtzeit-RMP-Optimierungsalgorithmus basierend auf maschinellem Lernen. (Quelle: Papier)

Forscher entwickelten ein Ersatzmodell des GPEC-Codes (ML-3D), um physikbasierte Modelle in Echtzeit zu nutzen. Das Modell nutzt ML-Algorithmen, um die Rechenzeit auf das ms-Niveau zu beschleunigen und ist in den adaptiven RMP-Optimierer in KSTAR integriert.

ML-3D besteht aus einem vollständig verbundenen mehrschichtigen Perzeptron (MLP), das von neun Eingängen angetrieben wird. Zum Trainieren des Modells wurden 8490 ausgewogene GPEC-Simulationen von KSTAR verwendet.

Abbildung: ML-3D-Modellleistung. (Quelle: Papier)

Der Algorithmus nutzt das ELM-Statusmonitorsignal (Dα), um den IRMP in Echtzeit anzupassen, wodurch ausreichend Rand-3D-Felder aufrechterhalten werden können, um auf die ELM-Unterdrückung zuzugreifen und diese aufrechtzuerhalten. Gleichzeitig nutzt der 3D-Feldoptimierer die Ausgabe von ML-3D, um die Stromverteilung auf der 3D-Spule anzupassen und so ein sicheres 3D-Feld zu gewährleisten, um Unterbrechungen zu vermeiden.

Abbildung: Plasmaparameter einer vollautomatischen ELM-Unterdrückungsentladung (#31873) mit integrierter RMP-Optimierung. (Quelle: Papier)

In KSTAR-Experimenten löste der ML-integrierte adaptive RMP-Optimierer in 4,5 Sekunden aus und erreichte eine sichere ELM-Unterdrückung in 6,2 Sekunden.

Untersuchungen zeigen auch, dass 3D-ML eine praktikable Lösung für die Automatisierung des ELM-freien Zugriffs ist. ML-3D basiert auf physikalischen Modellen und erfordert keine experimentellen Daten, wodurch es direkt auf ITER und zukünftige Fusionsreaktoren skalierbar ist. Diese starke Anwendbarkeit auf zukünftige Geräte unterstreicht die Vorteile des integrierten 3D-Feldoptimierungsansatzes von ML. Darüber hinaus wird erwartet, dass in zukünftigen Geräten mit höheren 3D-Spulenstrombeschränkungen eine bessere Feldoptimierung und eine höhere Fusionsleistung erreicht werden.

Forschung optimierte erfolgreich kontrollierte ELM-freie Zustände in KSTAR- und DIII-D-Geräten mit stark verbesserter Fusionsleistung, die Low-n-RMP im Zusammenhang mit zukünftigen Reaktoren bis nRMP = 3 RMP im Zusammenhang mit ITER abdeckt, und das höchste Niveau in verschiedenen ELM-freien Szenarien werden in zwei Maschinen realisiert.

Abbildung: Plasmaparameter für optimierte RMP-Amplitude (#190738) mit stark verbesserter Leistung. (Quelle: Paper)

Darüber hinaus ermöglicht die innovative Integration von ML-Algorithmen mit der RMP-Steuerung erstmals eine vollautomatische 3D-Feldoptimierung und einen ELM-freien Betrieb, mit deutlich verbesserter Leistung, unterstützt durch einen adaptiven Optimierungsprozess. Dieser adaptive Ansatz demonstriert die Kompatibilität zwischen der RMP-ELM-Unterdrückung und hohen Grenzwerten.

Darüber hinaus bietet es eine robuste Strategie, um eine stabile ELM-Unterdrückung in Szenarien mit langen Impulsen (länger als 45 Sekunden) zu erreichen, indem der Verlust von begrenzenden und nichtinduktiven Stromanteilen minimiert wird.

Bemerkenswert ist, dass bei DIII-D mit nRMP = 3 RMP eine signifikante Leistungsverbesserung (G) beobachtet wurde, was eine Verbesserung von über 90 % gegenüber dem anfänglichen Standard-ELM-Unterdrückungszustand zeigt. Diese Verbesserung ist nicht nur auf die adaptive RMP-Steuerung zurückzuführen, sondern auch auf die selbstkonsistente Entwicklung der Plasmarotation. Diese Reaktion ermöglicht die ELM-Unterdrückung bei sehr niedrigen RMP-Amplituden und verbessert dadurch die Basis. Diese Funktion ist ein gutes Beispiel für den Übergang eines Systems in einen optimalen Zustand durch eine selbstorganisierte Reaktion auf adaptive Modulation.

Abbildung: Verbesserung der Entladeleistung durch adaptive RMP-Optimierung. (Quelle: Papier)

Darüber hinaus wird das adaptive Schema mit der frühen RMP-Ramp-Methode kombiniert, um ITER-bezogene ELM-freie Szenarien mit nahezu vollständig ELM-freiem Betrieb zu erreichen. Diese Ergebnisse bestätigen, dass die integrierte adaptive RMP-Steuerung ein vielversprechender Ansatz zur Optimierung der ELM-Unterdrückungszustände ist und das Potenzial hat, eine der schwierigsten Herausforderungen bei der Erzielung praktischer und wirtschaftlich sinnvoller Fusionsenergie zu bewältigen.

Referenzinhalt: https://phys.org/news/2024-05-ai-intensive-aspects-plasma-physics.html

[Empfohlene Lektüre]

• Zur Natur hinzufügen, 300 im Voraus das „Zerreißen“ von Plasma in der Fusion innerhalb von Millisekunden vorhersagen, das Princeton-Team entwickelt einen KI-Controller LLM für die FusionsforschungMaschinelles Lernen, um geeignete Wasserstoffisotopenkombinationen für zukünftige Kernfusionskraftwerke zu finden
  

• Simulationsgenauigkeit um 65 % erhöht, Trainingszeit um das Dreifache oder mehr reduziert, DeepMind nutzt verbessertes Progress beim Lernen, die Kernfusion zu kontrollieren

Das obige ist der detaillierte Inhalt vonAls neuer Meilenstein in der kontrollierbaren Kernfusion realisiert KI erstmals eine vollautomatische Optimierung des Dual-Tokamak-3D-Feldes, veröffentlicht in der Unterausgabe von Nature. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!