Une nouvelle étape dans la fusion nucléaire contrôlable ! L’IA a prédit avec succès le déchirement du plasma dans la nature, rapprochant ainsi le « Saint Graal » de l’énergie propre

La fusion nucléaire contrôlable a une nouvelle avancée !

Depuis longtemps, la fusion nucléaire est troublée par un "fantôme" : le problème de l'instabilité du plasma.

Récemment, une équipe de Princeton a utilisé l'intelligence artificielle pour prédire avec succès l'état instable du plasma de fusion nucléaire 300 millisecondes à l'avance. Cette technologie peut aider à ajuster le confinement du champ magnétique et à contenir efficacement la fuite de plasma.

En conséquence, les scientifiques sont désormais en mesure d'éviter efficacement les interruptions de la fusion nucléaire contrôlée pour obtenir les réactions de fusion à haute puissance souhaitées, ce qui offre des perspectives plus prometteuses pour atteindre des rendements énergétiques plus élevés.

Les résultats de cette avancée majeure ont été publiés dans Nature.

Adresse papier : https://www.nature.com/articles/s41586-024-07024-9

Le problème majeur de la fusion nucléaire contrôlable a été résolu par l'IA

Depuis des décennies , les scientifiques ont fait des efforts pour parvenir à la fusion nucléaire sur Terre.

Alors que la société humaine sera confrontée au défi de l’épuisement énergétique à l’avenir, la fusion nucléaire contrôlable pourrait être la solution. Cette technologie a le potentiel de nous fournir une énergie propre illimitée et même de révolutionner la façon dont nous luttons contre le changement climatique.

La fusion peut être réalisée en forçant deux atomes qui s'excluent mutuellement à l'origine à fusionner.

Le processus de fusion est à l'opposé du processus de fission nucléaire actuellement largement utilisé, qui repose sur la division des atomes.

La fusion se produit lorsque deux atomes - généralement des atomes légers, comme l'hydrogène - fusionnent dans le processus de décomposition d’un atome plus lourd, d’énormes quantités d’énergie sont libérées.

Ce processus est la source d'énergie du soleil et soutient indirectement la vie sur terre. Cependant, il est très difficile de fusionner deux atomes car cela nécessite une pression et une énergie énormes pour surmonter la répulsion mutuelle entre eux.

La raison pour laquelle le Soleil peut réaliser une réaction de fusion dépend de son énorme gravité et de sa pression extrêmement élevée au niveau du noyau. Pour simuler ce processus sur Terre, les scientifiques ont utilisé un plasma extrêmement chaud et de puissants champs magnétiques.

Photos

Dans un tokamak (en forme de beignet), les champs magnétiques travaillent dur pour contrôler le plasma avec une température de plus de 100 millions de degrés Celsius, qui est plus chaude que le centre du soleil

Cependant, dans le processus de fusion nucléaire, les experts ne peuvent souvent parvenir qu'à maintenir l'énergie de fusion à court terme, et le processus présente de nombreuses instabilités.

En effet, l'une des étapes les plus critiques dans le processus de réalisation de l'énergie de fusion nucléaire consiste à introduire un combustible variante d'hydrogène et à le chauffer dans le tokamak pour produire un plasma semblable à une "soupe".

Mais le plasma est difficile à contrôler : il se « déchire » facilement et échappe au puissant champ magnétique utilisé pour le retenir.

Heureusement, des chercheurs de l'Université de Princeton et du laboratoire de physique des plasmas de Princeton ont récemment rapporté dans Nature qu'ils avaient trouvé un moyen d'utiliser l'IA pour prédire cette instabilité potentielle et empêcher l'interruption des expériences en temps réel.

Cette équipe est composée d'ingénieurs, de physiciens et de data scientists.

De gauche à droite : Azarakhsh Jalalvand, Egemen Kolemen et Ricardo Shousha

Dans des expériences menées au DIII-D National Fusion Facility à San Diego, l'équipe de recherche a découvert que -

Leur système de contrôle par IA était capable de prédire la déchirure potentielle du plasma 300 millisecondes à l'avance.

Et sans cette intervention, la réaction de fusion risque d'être interrompue brutalement !

Les chercheurs ont utilisé l'IA pour prédire et éviter la formation d'instabilités déchirantes (photo de gauche), qui pourraient rapidement conduire à la destruction du plasma et à l'arrêt des réactions de fusion

Jusqu'à présent, à long terme, le problème d'instabilité du plasma qui qui a entravé le développement de la fusion nucléaire a finalement été surmontée par l'homme.

Cette découverte a également grandement renforcé la confiance des scientifiques.

Egemen Kolemen, professeur au Département de génie mécanique et aérospatial de l'Université de Princeton et l'un des auteurs du rapport de recherche, explique pourquoi cette découverte est si importante.

Les interruptions et l'instabilité sont l'un des obstacles majeurs à une fusion nucléaire contrôlable. Nous espérons tous que tout réacteur pourra continuer à fonctionner de manière stable pendant de nombreuses années. Le fait qu'une telle solution soit désormais développée renforce considérablement notre confiance dans la possibilité de faire fonctionner ces unités sans aucun problème.

L'IA a mis en œuvre avec succès la stratégie de contrôle de l'état du plasma

Comment l'IA y est-elle parvenue ?

Le modèle présenté par les chercheurs montre qu'il peut prédire « l'instabilité du mode lacrymal » (c'est-à-dire l'instabilité potentielle du plasma) uniquement en analysant les données expérimentales passées, plutôt qu'en s'appuyant sur des modèles physiques.

De plus, il peut prédire jusqu'à 300 millisecondes à l'avance !

Pour les humains, cette période de temps n'est peut-être qu'un clin d'œil, mais pour le contrôleur IA, il lui suffit d'ajuster les paramètres de fonctionnement pour éviter une déchirure interne du champ magnétique du plasma, maintenant ainsi son état stable. Empêcher la réaction de se terminer prématurément.

Dans ce processus, l'IA a mis en œuvre avec succès une stratégie de contrôle pour un état de plasma stable et à haute énergie dans un réacteur réel en temps réel.

Cette méthode est plus dynamique que la méthode originale.

Jaemin Seo, professeur adjoint de physique à l'Université Chung-Ang en Corée du Sud et premier auteur de l'article, a expliqué : « Les recherches précédentes se concentraient généralement sur la suppression ou l'atténuation des effets de ces instabilités déchirantes après leur apparition dans le plasma. notre méthode peut prédire ces instabilités avant qu'elles ne se forment et les éviter 》

AI+Plasma Physics= ?

Les chercheurs penseront à l'IA car l'instabilité du mode déchirement se produit trop soudainement et trop vite !

Pour réagir en quelques millisecondes, traiter rapidement de nouvelles données et répondre, seule l'IA peut le faire.

Cependant, développer un système de contrôle d'IA efficace n'est pas facile.

De plus, dans un environnement tokamak, le temps expérimental est extrêmement précieux et les risques sont extrêmement élevés.

De l'avis du co-auteur de l'article Azarakhsh Jalalvand, enseigner aux algorithmes d'IA pour contrôler la réaction de fusion dans le tokamak, c'est comme apprendre aux gens à piloter un avion.

Vous devez non seulement donner une clé à l'IA et la laisser explorer par elle-même, mais vous devez également la laisser s'entraîner à plusieurs reprises dans un simulateur de vol complexe jusqu'à ce qu'elle maîtrise suffisamment de compétences.

Réseau neuronal profond

Par conséquent, l'équipe de Princeton a utilisé les données d'expériences passées du tokamak DIII-D pour construire un réseau neuronal profond capable de prédire l'avenir sur la base des caractéristiques du plasma en temps réel. d'apparition d'une instabilité du mode lacrymal.

À l'aide de ce réseau neuronal, les chercheurs ont entraîné un algorithme d'apprentissage par renforcement.

Cet algorithme est comme un pilote d'apprentissage, apprenant diverses stratégies pour contrôler le plasma par essais et erreurs dans un environnement simulé, et découvrant lesquelles sont efficaces et lesquelles sont inefficaces.

Jalalvand a expliqué qu'au lieu d'enseigner au modèle d'apprentissage par renforcement la physique complexe des réactions de fusion, ils lui ont dit : Votre objectif est de maintenir une réaction de haute puissance, d'éviter les instabilités du mode de déchirure et d'indiquer qu'il peut être ajusté en paramètre.

Dans d'innombrables expériences de fusion simulée, les modèles tentent de trouver des moyens de maintenir des niveaux de puissance élevés tout en évitant les instabilités.

Au fil du temps, l'algorithme lui-même apprend le chemin optimal pour obtenir une réponse de haute puissance tout en évitant l'instabilité !

Le co-auteur SangKyeun Kim a déclaré : « Nous pouvons voir la logique derrière l'intention du modèle. Parfois, le modèle veut changer trop vite et nous devons rendre son comportement plus fluide et plus stable. En tant qu'humains, Nous devons trouver un équilibre entre l'intention de l'IA et la tolérance réelle du tokamak "

Lorsque les chercheurs ont eu suffisamment confiance dans les capacités du contrôleur de l'IA, ils ont commencé à travailler sur le D-. Tokamak III D. Des tests ont été menés dans le cadre des expériences de fusion réelles de Carmack pour voir comment le contrôleur ajuste des paramètres spécifiques en temps réel pour éviter les instabilités, notamment la modification de la forme du plasma et de l'intensité du faisceau entrant dans la réaction.

Les résultats montrent que l’IA peut prédire avec succès l’instabilité !

De cette façon, les chercheurs ne sont plus passifs et n'ont pas besoin d'attendre qu'une perte de contrôle du plasma se produise avant de prendre des mesures.

Conception d'un système d'apprentissage par renforcement pour le contrôle

Selon l'introduction de l'article, le contrôleur IA conçu par les chercheurs peut ajuster automatiquement le travail du contrôleur en fonction de l'état du plasma surveillé, assurant ainsi la stabilité du plasma . En même temps, augmentez sa pression autant que possible.

Figure 1 : Cadre de conception du système

Figures 1a et 1b : Un échantillon de plasma typique dans l'expérience, ainsi que les outils de diagnostic et l'équipement de contrôle sélectionnés pour l'étude. Parmi eux, sur la surface de flux magnétique q = 2, une instabilité de déchirure en mode 2/1 peut se produire.

Figure 1c : Architecture du système de contrôle capable de traiter les signaux de mesure et de générer les instructions d'actionneur correspondantes.

Figure 1d : Le contrôleur IA basé sur DNN est capable de déterminer des commandes de contrôle de haut niveau pour la puissance globale du faisceau et la forme du plasma en fonction de la stratégie entraînée. Le système de contrôle du plasma (PCS) est chargé de calculer le signal de contrôle de la bobine magnétique et la puissance de chaque faisceau pour garantir qu'il répond non seulement aux exigences de contrôle avancées définies par le contrôleur AI, mais également aux restrictions définies. par l'utilisateur.

Conception du système

Afin de produire efficacement de l'énergie de fusion, la clé est de maintenir une pression élevée dans le plasma tout en évitant une instabilité qui pourrait entraîner l'arrêt brutal de l'appareil.

Cependant, lorsque le plasma est chauffé pour augmenter sa pression, par exemple par un faisceau neutre, un seuil est rencontré (ligne noire sur la figure 2a).

Au-delà de ce seuil, le plasma va connaître une instabilité de déchirure, pouvant rapidement conduire à une rupture du plasma (Figures 2b et 2c).

Il convient de noter que ce seuil de stabilité changera à mesure que l'état du plasma change et que, dans certains cas, la réduction de la pression peut également déclencher une instabilité.

Comme le montre la ligne bleue sur la figure 2, en ajustant le fonctionnement du contrôleur en fonction de l'état du plasma, il est possible d'obtenir une pression plasma plus élevée sans provoquer d'instabilité.

Figure 2 : Réponse du système d'évitement des déchirures de l'IA au contrôle du tokamak et au plasma

En fait, nous pouvons le comprendre comme un « problème d'évitement d'obstacles », où les obstacles sont des facteurs de risque qui obligent à mettre fin à l'expérience.

Spécifiquement parlant de la fusion nucléaire elle-même, il s'agit de contrôler le dispositif tokamak pour faire circuler le plasma le long d'un chemin étroit qui maintient une pression élevée sans dépasser la limite de stabilité.

Pour atteindre cet objectif, les chercheurs ont formé un modèle d'acteur grâce à des méthodes d'apprentissage par renforcement et ont conçu une fonction de récompense R pour mesurer la pression que le plasma peut atteindre avec un risque de déchirure acceptable.

Ici β_N représente la valeur normalisée de la pression plasmatique, T représente le risque de déchirure et k est un seuil de sécurité fixé artificiellement. Plus précisément, β_N et T sont les résultats prédits 25 millisecondes après l'action du contrôleur IA.

Selon cette prédiction, si le risque de déchirement est inférieur au seuil que nous avons fixé, le modèle Actor recevra une récompense positive en fonction de la pression du plasma sinon, il recevra une récompense négative ;

Afin d'obtenir une récompense plus élevée selon l'équation (1), l'Acteur doit d'abord augmenter la valeur de β_N grâce à ses actions de contrôle.

Cependant, une augmentation de β_N peut rendre le plasma instable et éventuellement faire dépasser l'indicateur de déchirement (T) au seuil de sécurité (k), ce qui entraînera une réduction des récompenses. En particulier, lorsque T dépasse k, la récompense diminue fortement.

Par conséquent, l'agent de contrôle donnera la priorité au maintien de T en dessous du seuil de sécurité k, plutôt que de simplement poursuivre l'amélioration de β_N.

Grâce à une formation d'apprentissage par renforcement suffisante, l'acteur peut enfin trouver une stratégie d'équilibrage qui peut poursuivre une pression plasmatique élevée tout en garantissant que l'indicateur de déchirure reste dans une plage de sécurité.

Cette stratégie permet au tokamak de suivre un chemin précisément planifié pendant la décharge, comme le montre la figure 2d.

Figure 2 : Contrôle du tokamak et réponse du plasma par le système d'évitement des déchirures par l'IA

Étant donné que l'apparition d'une déchirure dépend en grande partie de ses informations spatiales et de son gradient, les variables d'observation sont définies sur une dynamique unidimensionnelle. et profils magnétiques cartographiés en coordonnées de flux.

Plus précisément, les courbes de densité électronique, de température électronique, de rotation des ions, de facteur de sécurité et de pression plasma sont observées.

Résultats expérimentaux

La ligne noire sur la figure 3b montre un exemple d'interruption du plasma due à une instabilité de déchirure.

Dans cette décharge, un niveau de paramètre spécifique (β_N = 2,3) a été maintenu à l'aide d'un contrôle par rétroaction traditionnel. Cependant, à 2,6 secondes, une grave instabilité de déchirure s'est produite, entraînant une forte baisse des paramètres et finalement une interruption du plasma à 3,1 secondes.

La ligne bleue sur la figure 3b représente la puissance du faisceau et la forme du plasma sous contrôle de l'IA. Les figures 3c et 3d montrent respectivement l'ajustement de la forme du plasma et de la puissance du faisceau pendant le processus de contrôle spécifique.

Pendant cette décharge, le contrôleur IA a formulé des instructions de réglage de la puissance et de la forme du faisceau basées sur des données plasma en temps réel, qui ont été converties en opérations spécifiques par le système de contrôle du plasma (PCS), telles que le réglage de la bobine magnétique. Courant et contrôle précis de la puissance de huit faisceaux.

La ligne bleue sur la figure 3e est l'estimation ultérieure de la décharge contrôlée par l'IA. On constate que la tendance à la déchirure a été efficacement contrôlée en dessous du seuil prédéterminé pendant tout le processus, ce qui est tout à fait conforme aux attentes.

Cette expérience prouve non seulement que le contrôle de l'IA peut réduire plus efficacement le risque de déchirure que les méthodes de contrôle traditionnelles, mais démontre également son amélioration des performances globales par rapport à l'expérience de référence, reflétant les avantages du contrôle adaptatif de l'IA.

Figure 3 : Expérience d'évitement des déchirures basée sur l'énergie de l'IA

La figure 4a montre trois expériences utilisant des contrôleurs avec des seuils de réglage différents, respectivement 0,2, 0,5 et 0,7.

Parmi eux, lorsque le seuil est fixé à 0,5 et 0,7, le plasma peut continuer de manière stable, et aucune instabilité destructrice ne se produit jusqu'à la fin de l'expérience.

Les figures 4b à 4d montrent la tendance au déchirement analysée après trois expérimentations. La couleur d'arrière-plan de la figure montre la tendance à la déchirure prévue sous différentes puissances de faisceau à chaque instant, la puissance de faisceau réellement utilisée est marquée par la ligne noire et la ligne pointillée indique le niveau de tendance à la déchirure à différents seuils.

On peut voir que différents paramètres de seuil amèneront le contrôle de l'IA à afficher différentes caractéristiques comportementales.

L'analyse de la figure 4b montre que le modèle de prédiction de déchirure peut avertir 300 millisecondes avant que l'instabilité ne se produise, et que le contrôleur tente également de réduire davantage la puissance du faisceau.

Dans la figure 4c, le contrôleur AI avec k = 0,5 est configuré pour répondre aux avertissements d'instabilité en prenant des mesures à l'avance pour éviter de manière proactive d'atteindre le seuil.

Étant donné que le mécanisme de récompense est calculé sur la base de la tendance au déchirement 25 millisecondes après l'action du contrôleur, le contrôleur formé agira des dizaines de millisecondes avant que l'avertissement ne se produise.

Figure 4 : Expériences comparatives avec différents paramètres de seuil

Éclairer la voie vers l'avenir

Les chercheurs ont souligné que bien que ces travaux aient démontré avec succès le potentiel de l'IA dans le contrôle efficace des réactions de fusion, ce juste la première étape pour faire progresser le domaine de la recherche sur la fusion.

Tout d'abord, ils prévoient de collecter davantage de preuves sur le DIII-D pour prouver l'effet réel du contrôleur AI, puis d'étendre son application à d'autres appareils tokamak.

"Nous avons de bonnes preuves que ce contrôleur fonctionne bien sur DIII-D, mais nous avons besoin de plus de données pour prouver qu'il peut gérer une variété de situations différentes", a déclaré Seo, l'un des développeurs. "Notre objectif est de développer une solution plus générale."

La deuxième direction de recherche est d'étendre cet algorithme pour permettre au contrôleur IA de gérer simultanément des problèmes plus instables.

Ricardo Shousha, qui était étudiant diplômé dans l'équipe Kolemen et est actuellement chercheur postdoctoral au PPPL et co-auteur, a expliqué : « Vous pouvez imaginer qu'il existe une fonction de récompense complète qui ajuste plusieurs paramètres pour contrôler plusieurs En même temps, en développant de meilleurs contrôleurs d’IA pour contrôler les réactions de fusion, les chercheurs pourraient également acquérir une compréhension plus approfondie de la physique sous-jacente des plasmas.

En analysant les décisions prises par le contrôleur IA lors du maintien de la stabilité du plasma, on constate qu'elles sont souvent très différentes des méthodes traditionnelles.

Cela montre que l'IA peut non seulement devenir un outil efficace pour contrôler les réactions de fusion nucléaire, mais également servir de nouvelle ressource pédagogique pour nous aider à comprendre et à explorer la science de la fusion sous différents angles.

Présentation de l'équipe

Jaemin Seo

Jaemin Seo est un chercheur postdoctoral qui se concentre sur l'application de la technologie d'apprentissage automatique pour la prédiction et le contrôle du plasma dans les projets KSTAR et DIII-D.

Jaemin a obtenu son doctorat du Département de génie nucléaire de l'Université nationale de Séoul. Au cours de cette période, il a utilisé de manière innovante des méthodes d'apprentissage par renforcement pour concevoir un nouvel algorithme de contrôle du plasma pour KSTAR.

Actuellement, ses recherches se concentrent sur l'exploration de la technologie de prédiction et de contrôle du mode de déchirure dans le projet DIII-D.

De plus, Jaemin travaille également sur un modèle de réseau neuronal rapide visant à reconstruire l'état d'équilibre dynamique du plasma en temps réel, ce qui est d'une grande importance pour améliorer l'efficacité et la précision de l'algorithme de contrôle.

Egemen Kolemen

L'auteur correspondant Egemen Kolemen est professeur agrégé de génie mécanique et aérospatial à l'Université de Princeton et occupe des postes au Centre Andlinger pour l'énergie et l'environnement et au Laboratoire de physique des plasmas de Princeton (PPPL).

En tant que leader du projet d'énergie durable, il a reçu le prix d'excellence David J. Rose pour ses contributions exceptionnelles dans le domaine de l'ingénierie de la fusion et a été sélectionné comme chercheur scientifique ITER.

Les recherches du professeur Kolemen visent à combiner la technologie de l’ingénierie avec l’analyse physique, dans le but de développer des réacteurs à fusion rentables. Actuellement, il dirige l'équipe chargée de mener des recherches sur l'apprentissage automatique, la surveillance et le contrôle en temps réel dans les projets KSTAR, NSTX-U et DIII-D.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!