제어 가능한 핵융합의 새로운 이정표인 AI는 처음으로 이중 토카막 3D 필드의 완전 자동 최적화를 실현하며 Nature 하위 이슈에 게재되었습니다.

편집자 |

현재 프린스턴 플라즈마 물리학 연구소(PPPL)의 과학자들은 인공 지능을 사용하여 인류가 직면한 긴급 과제, 즉 융합 플라즈마를 통해 깨끗하고 신뢰할 수 있는 에너지를 생성하는 문제를 해결하고 있습니다.

기존 컴퓨터 코드와 달리 머신러닝은 단순한 명령 목록 그 이상입니다. 데이터를 분석하고 기능 간의 관계를 추론하며 새로운 지식을 학습하고 적응할 수 있습니다.

PPPL+ 연구자들은 이러한 학습 및 적응 능력이 다양한 방식으로 융합 반응 제어를 향상시킬 수 있다고 믿습니다. 여기에는 과열 플라즈마를 둘러싼 용기 설계의 완성, 가열 방법 최적화, 점점 더 오랜 시간 동안 안정적인 반응 제어 유지가 포함됩니다.

최근 PPPL의 AI 연구는 상당한 성과를 거두었습니다. PPPL 연구원들이 기계 학습을 사용하여 자기 교란을 방지하고 핵융합 플라즈마를 안정화하는 방법을 설명합니다. 이번 성과는 지속가능한 핵융합에너지 달성에 큰 의미가 있다. 연구진은 대량의 데이터를 분석하고 훈련함으로써 플라즈마 불안정성을 감지하고 제거하기 위한 머신러닝 코드를 정확하게 구현하는 머신러닝 모델을 성공적으로 개발했습니다. (출처: 제너럴원자력연구소, 한국핵융합에너지연구원)

토론 논문의 주 저자인 PPPL 연구물리학자 김상균 씨는 “동일한 코드를 두 개로 사용할 수 있어서 연구 결과가 인상적이다. "

관련 연구 제목은 "토카막에서 유해한 가장자리 에너지 폭발 없이 최고의 융합 성능

"이며 "

Nature Communications

"에 게재되었습니다.

논문 링크: https://www.nature.com/articles/s41467-024-48415-w

융합에서 "가장자리 폭발"을 억제

핵융합에너지 시장은 경제적이다 경쟁력을 갖기 위해서는 핵융합을 유지하면서 충분한 이온밀도(n), 온도(T), 에너지 구속시간(τ)의 높은 핵융합삼중곱(nτT)을 달성해야 한다.

이온은 높은 융합 변성을 달성하기 위해 충분한 품질 계수(G∝ατT)가 필요하며, 이는 이온 감금 질량(H89: 표준화된 에너지 감금 시간)에 따라 증가합니다.

토카막 설계가 핵융합로에 대한 실행 가능한 옵션이 되려면 G에 영향을 주지 않고 에지 버스트 이벤트를 정기적으로 억제할 수 있는 신뢰할 수 있는 방법을 개발해야 합니다.

과학자들은 경계선 발병 상황을 완화하기 위해 다양한 방법을 사용해 왔습니다. 한 가지 효과적인 접근 방식은 외부 3D 필드 코일의 공진 자기 섭동(RMP)을 활용하는 것인데, 이는 에지 버스트 억제를 위한 가장 유망한 방법 중 하나로 입증되었습니다.

그림: 토카막의 3D 필드 코일 구조. (출처: 논문)

그러나 이 시나리오는 비용이 많이 들고 표준 고밀폐 플라즈마 시스템에 비해 H89 및 G의 성능이 크게 저하되어 경제적 전망이 약화됩니다. 또한 3D 필드는 가장자리 폭발보다 훨씬 더 심각한 중단으로 알려진 치명적인 코어 불안정성의 위험을 증가시킵니다. 따라서 에지 버스트 없는 작업과 제약이 높은 작업의 안전한 접근성과 호환성을 시급히 조사해야 합니다.

두 개의 토카막에서 최초로 달성

이 연구는 기계 학습(ML), 적응형 및 다중 기계를 결합하여 두 개의 토카막, KSTAR 및 DIII-D에 대해 처음으로 혁신적이고 통합된 3D 현장 최적화를 수행했습니다. 거의 완전히 에지가 없는 버스트 상태에 자동으로 액세스하고 이를 달성하는 동시에 미래 원자로의 에지 버스트 작동을 향한 중요한 이정표인 초기 버스트 억제 상태에서 플라즈마 융합 성능을 향상시키는 기능입니다.

이는 실시간으로 엣지리스 버스트 시작과 손실 사이의 지연을 활용하여 플라즈마 감금을 향상시키는 동시에 물리학을 캡처하고 융합 기술을 최적화하는 ML의 기능을 확장함으로써 달성됩니다.

그림: DIII-D와 KSTAR 토카막의 ELM 없는 방전 성능 비교. (출처: Paper)

이 통합의 이점:

• 두 기계의 Edge Localized Mode-free(ELM-free) 시나리오에서 가장 높은 융합 G에 도달하고 G가 최대 90% 증가한 고도로 향상된 플라즈마 감금

• ML 기반 3D 필드 사용 시뮬레이터는 최초로 완전 자동 3D 필드 최적화를 실현합니다.

• 플라즈마 작동 시작부터 버스트 억제를 동시에 설정하여 ITER 관련 수준에 가까운 거의 완벽한 에지 없는 버스트 작동을 달성합니다. 이 성과는 경험적 RMP 최적화에 대한 의존이 더 이상 실현 가능하지 않거나 수용 가능한 접근 방식이 아닌 국제 열핵실험로(ITER)와 같은 미래 장치를 위한 중요한 단계를 나타냅니다.

"플라즈마에는 핵융합 장치에 심각한 손상을 일으킬 수 있는 불안정성이 있습니다. 상업용 핵융합 용기에서는 이러한 물질을 사용할 수 없습니다. 우리의 연구는 해당 분야를 발전시키고 인공지능이 핵융합 관리에 유용할 수 있음을 보여줍니다." 플라즈마가 가능한 한 많은 융합 에너지를 생성하도록 허용하면서 불안정성을 피하면서 반응에서의 역할을 수행한다고 PPPL의 기계 및 항공 우주 공학과 부교수인 교신 저자인 Egemen Kolemen이 말했습니다.

완전 자동화된 ML 기반 3D 필드 최적화

이 실험에서는 일련의 방전을 사용하여 안전한 ELM 억제를 위해 최적화된 3D 파형을 찾습니다.

이러한 맥락에서 이 연구에서는 자동화된 3D 코일 최적화를 위한 새로운 경로를 개발하기 위해 ML 기술을 도입하고 해당 개념을 처음으로 보여줍니다.

그림: 머신러닝 기반의 실시간 RMP 최적화 알고리즘. (출처: 논문)

연구원들은 물리 기반 모델을 실시간으로 활용하기 위해 GPEC 코드(ML-3D)의 대리 모델을 개발했습니다. 이 모델은 ML 알고리즘을 사용하여 계산 시간을 ms 수준으로 가속화하고 KSTAR의 적응형 RMP 최적화 프로그램에 통합됩니다.

ML-3D는 9개의 입력으로 구동되는 완전히 연결된 다층 퍼셉트론(MLP)으로 구성됩니다. 모델을 훈련하기 위해 8490 KSTAR 균형 GPEC 시뮬레이션이 활용되었습니다.

그림: ML-3D 모델 성능. (출처: 논문)

알고리즘은 ELM 상태 모니터(Dα) 신호를 활용하여 IRMP를 실시간으로 조정하므로 ELM 억제에 액세스하고 유지하기에 충분한 가장자리 3D 필드를 유지할 수 있습니다. 동시에 3D 필드 최적화기는 ML-3D의 출력을 사용하여 3D 코일의 전류 분포를 조정하므로 중단을 방지하기 위해 안전한 3D 필드를 보장합니다.

그림: RMP 최적화가 통합된 완전 자동화된 ELM 억제 방전(#31873)의 플라즈마 매개변수입니다. (출처: 논문)

KSTAR 실험에서 ML 통합 적응형 RMP 최적화 장치는 4.5초 만에 트리거되어 6.2초 만에 안전한 ELM 억제를 달성했습니다.

연구에서는 3D-ML이 ELM 없는 액세스를 자동화하기 위한 실행 가능한 솔루션으로도 나타났습니다. ML-3D는 물리적 모델을 기반으로 하며 실험 데이터가 필요하지 않으므로 ITER 및 미래 핵융합로로 직접 확장할 수 있습니다. 미래 장치에 대한 이러한 강력한 적용 가능성은 ML의 통합 3D 필드 최적화 접근 방식의 장점을 강조합니다. 또한, 3D 코일 전류 제한이 더 높은 미래 장치에서는 더 나은 필드 최적화와 더 높은 융합 성능이 달성될 것으로 예상됩니다.

미래 원자로와 관련된 낮은 n RMP에서 ITER 관련 nRMP = 3 RMP까지 포괄하는 고도로 향상된 융합 성능을 갖춘 KSTAR 및 DIII-D 장치에서 제어된 ELM 없는 상태를 성공적으로 최적화한 연구와 다양한 ELM 없는 환경에서 최고 수준 시나리오는 두 대의 컴퓨터에서 달성됩니다.

그림: 성능이 크게 향상된 최적화된 RMP 진폭(#190738)을 위한 플라즈마 매개변수입니다. (출처: 논문)

또한 ML 알고리즘과 RMP 제어의 혁신적인 통합을 통해 처음으로 완전히 자동화된 3D 현장 최적화 및 ELM 없는 작업이 가능하며 적응형 최적화 프로세스를 통해 성능이 크게 향상되었습니다. 이 적응형 접근 방식은 RMP ELM 억제와 상한 간의 호환성을 보여줍니다.

또한 제한 및 비유도 전류 부분의 손실을 최소화하여 긴 펄스 시나리오(45초 이상 지속)에서 안정적인 ELM 억제를 달성하기 위한 강력한 전략을 제공합니다.

특히 nRMP = 3 RMP인 DIII-D에서 상당한 성능(G) 개선이 관찰되어 초기 표준 ELM 억제 상태에 비해 90% 이상 개선된 것으로 나타났습니다. 이러한 향상은 적응형 RMP 제어뿐만 아니라 플라즈마 회전의 일관된 진화에도 기인합니다. 이 응답은 매우 낮은 RMP 진폭에서 ELM 억제를 가능하게 하여 베이스를 향상시킵니다. 이 기능은 적응형 변조에 대한 자체 구성 응답을 통해 시스템이 최적의 상태로 전환되는 좋은 예입니다.

그림: 적응형 RMP 최적화를 통해 배출 성능을 개선합니다. (출처: 논문)

또한 적응형 방식은 초기 RMP 램프 방법과 결합되어 거의 완전히 ELM이 없는 운영으로 ITER 관련 ELM이 없는 시나리오를 달성합니다. 이러한 결과는 통합 적응형 RMP 제어가 ELM 억제 상태를 최적화하는 매우 유망한 접근 방식이며, 실용적이고 경제적으로 실행 가능한 핵융합 에너지를 달성하는 데 있어 가장 어려운 문제 중 하나를 해결할 수 있는 가능성을 확인합니다.

참고 내용 : https://phys.org/news/2024-05-ai-tensive-aspects-plasma-physics.html

[추천 도서]

• Add to Nature, 300 밀리초 단위로 융합되는 플라즈마 "찢김"을 미리 예측하고 프린스턴 팀이 AI 컨트롤러를 개발합니다.
  

• 대량 데이터를 빠르게 선별하고 정보에 입각한 결정을 즉각 내립니다. MIT, 프린스턴 및 카네기 멜론 대학 팀은 융합 연구를 위한 LLM

• 미래의 핵융합 발전소에 적합한 수소 동위원소 조합을 찾는 기계 학습

• 시뮬레이션 정확도가 65% 증가하고 훈련 시간이 3배 이상 단축되었으며 DeepMind는 향상된 Progress를 사용합니다. 핵융합 제어 방법을 배우는 중

위 내용은 제어 가능한 핵융합의 새로운 이정표인 AI는 처음으로 이중 토카막 3D 필드의 완전 자동 최적화를 실현하며 Nature 하위 이슈에 게재되었습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!