Satu pencapaian baharu dalam gabungan nuklear yang boleh dikawal, AI merealisasikan pengoptimuman automatik sepenuhnya bagi medan 3D dwi tokamak buat pertama kali, diterbitkan dalam sub-isu Alam Semulajadi

Editor |

Kini, di Makmal Fizik Plasma Princeton (PPPL), saintis menggunakan kecerdasan buatan untuk menyelesaikan cabaran mendesak yang dihadapi manusia: menjana tenaga yang bersih dan boleh dipercayai melalui plasma gabungan.

Tidak seperti kod komputer tradisional, pembelajaran mesin bukan sekadar senarai arahan Ia boleh menganalisis data, membuat kesimpulan hubungan antara ciri dan belajar serta menyesuaikan diri daripada pengetahuan baharu.

Penyelidik PPPL+ percaya keupayaan untuk belajar dan menyesuaikan diri ini boleh meningkatkan kawalan mereka terhadap tindak balas gabungan dalam pelbagai cara. Ini termasuk menyempurnakan reka bentuk kapal yang mengelilingi plasma panas lampau, mengoptimumkan kaedah pemanasan, dan mengekalkan kawalan tindak balas yang stabil dalam tempoh masa yang semakin lama.

Baru-baru ini, penyelidikan AI PPPL telah mencapai hasil yang ketara. Penyelidik PPPL menerangkan cara mereka menggunakan pembelajaran mesin untuk mengelakkan gangguan magnet dan menstabilkan plasma gabungan. Pencapaian ini amat penting untuk mencapai tenaga gabungan yang mampan. Dengan menganalisis dan melatih sejumlah besar data, para penyelidik berjaya membangunkan model pembelajaran mesin yang kod pembelajaran mesin dengan tepat untuk mengesan dan menghapuskan ketidakstabilan plasma. (Sumber: General Atomics and Korea Fusion Energy Research Institute)

Ahli fizik penyelidikan PPPL SangKyeun Kim, pengarang utama kertas perbincangan, berkata: "Hasil penyelidikan sangat mengagumkan kerana kami dapat menggunakan kod yang sama dalam dua Keputusan ini dicapai pada peranti tokamak yang berbeza. "

Penyelidikan yang berkaitan bertajuk "Prestasi gabungan tertinggi tanpa letusan tenaga tepi berbahaya dalam tokamak

" dan diterbitkan dalam "

Komunikasi Alam Semulajadi

".

Pautan kertas: https://www.nature.com/articles/s41467-024-48415-w

Menenkan "letupan tepi" dalam susunan gabungan

pasaran tenaga gabungan menjadi ekonomi Untuk berdaya saing, ia mesti mencapai produk tiga kali ganda gabungan (nτT) ketumpatan ion (n), suhu (T), dan masa terkurung tenaga (τ) yang mencukupi sambil mengekalkan pelakuran. Ion memerlukan faktor kualiti yang mencukupi (G∝ατT) untuk mencapai denaturasi pelakuran yang tinggi, yang meningkat dengan jisim terkurung ion (H89: masa terkurung tenaga yang dinormalkan).

Untuk reka bentuk tokamak menjadi pilihan yang berdaya maju untuk reaktor gabungan, kaedah yang boleh dipercayai mesti dibangunkan untuk sentiasa menyekat kejadian pecah tepi tanpa menjejaskan G. Para saintis telah menggunakan pelbagai kaedah untuk mengurangkan kejadian wabak tepi. Satu pendekatan yang berkesan ialah menggunakan gangguan magnetik resonans (RMP) gegelung medan 3D luaran, yang telah terbukti sebagai salah satu kaedah yang paling menjanjikan untuk penindasan letupan tepi.

Ilustrasi: Struktur gegelung medan 3D dalam tokamak. (Sumber: Kertas)

Walau bagaimanapun, senario ini datang pada kos yang tinggi, mengakibatkan kemerosotan ketara H89 dan G berbanding sistem plasma berkurung tinggi standard, sekali gus melemahkan prospek ekonomi. Selain itu, medan 3D juga meningkatkan risiko ketidakstabilan teras bencana, yang dikenali sebagai gangguan, yang lebih serius daripada letupan tepi. Oleh itu, kebolehcapaian yang selamat dan keserasian operasi tanpa pecah tepi dan operasi kekangan tinggi perlu diterokai dengan segera.

Mencapai dua tokamak buat kali pertama

Penyelidikan ini menjalankan pengoptimuman medan 3D yang inovatif dan bersepadu pada dua tokamak, KSTAR dan DIII-D buat kali pertama, dengan menggabungkan pembelajaran mesin (ML), adaptif dan berbilang mesin keupayaan untuk mengakses secara automatik dan mencapai keadaan letusan tanpa tepi yang hampir sepenuhnya sambil meningkatkan prestasi gabungan plasma daripada keadaan ditekan letusan awal, satu peristiwa penting ke arah operasi letusan tanpa tepi dalam reaktor masa hadapan.

Ini dicapai dengan mengeksploitasi lag antara permulaan pecah tanpa tepi dan kehilangan dalam masa nyata untuk meningkatkan kurungan plasma, sambil memperluaskan keupayaan ML dalam menangkap fizik dan mengoptimumkan teknologi gabungan.

Ilustrasi: Perbandingan prestasi pelepasan bebas ELM dalam DIII-D dan KSTAR tokamak. (Sumber: kertas)

Penyepaduan ini membantu:

Kursus plasma yang dipertingkatkan, mencapai gabungan tertinggi G dalam senario bebas mod tempatan (bebas) dari dua mesin, dengan G meningkat sehingga 90%; simulator mencapai pengoptimuman medan 3D automatik sepenuhnya buat kali pertama; Pencapaian ini mewakili langkah penting untuk peranti masa hadapan seperti International Thermonuclear Experimental Reactor (ITER), di mana pergantungan pada pengoptimuman RMP empirikal bukan lagi pendekatan yang boleh dilaksanakan atau boleh diterima.

• "Terdapat ketidakstabilan dalam plasma yang boleh menyebabkan kerosakan serius pada peranti gabungan. Kami tidak boleh menggunakan bahan ini dalam kapal gabungan komersial. Kerja kami memajukan bidang dan menunjukkan bahawa kecerdasan buatan boleh berguna dalam menguruskan gabungan "Ia memainkan peranan penting peranan dalam tindak balas, mengelakkan ketidakstabilan sambil membenarkan plasma menjana tenaga gabungan sebanyak mungkin," kata pengarang yang sepadan Egemen Kolemen, profesor bersekutu di Jabatan Kejuruteraan Mekanikal dan Aeroangkasa di PPPL.

• Pengoptimuman medan 3D berasaskan ML automatik sepenuhnya

• Dalam percubaan ini, satu siri nyahcas digunakan untuk mencari bentuk gelombang 3D yang dioptimumkan untuk penindasan ELM yang selamat.
  Dalam konteks ini, kajian ini memperkenalkan teknologi ML untuk membangunkan laluan baharu untuk pengoptimuman gegelung 3D automatik dan menunjukkan konsep itu buat kali pertama.

Ilustrasi: Algoritma pengoptimuman RMP masa nyata berdasarkan pembelajaran mesin. (Sumber: Kertas) Penyelidik membangunkan model pengganti kod GPEC (ML-3D) untuk memanfaatkan model berasaskan fizik dalam masa nyata. Model ini menggunakan algoritma ML untuk mempercepatkan masa pengiraan ke tahap ms dan disepadukan ke dalam pengoptimum RMP adaptif dalam KSTAR.

ML-3D terdiri daripada perceptron berbilang lapisan (MLP) bersambung sepenuhnya yang dipacu oleh sembilan input. Untuk melatih model, 8490 simulasi GPEC seimbang KSTAR telah digunakan.

Ilustrasi: Prestasi model ML-3D. (Sumber: kertas)

Algoritma menggunakan isyarat monitor status ELM (Dα) untuk melaraskan IRMP dalam masa nyata, yang boleh mengekalkan medan 3D tepi yang mencukupi untuk mengakses dan mengekalkan penindasan ELM. Pada masa yang sama, pengoptimum medan 3D menggunakan output ML-3D untuk melaraskan pengedaran semasa pada gegelung 3D, dengan itu memastikan medan 3D yang selamat untuk mengelakkan gangguan.

Ilustrasi: Parameter plasma bagi nyahcas tertindas ELM automatik sepenuhnya (#31873) dengan pengoptimuman RMP bersepadu. (Sumber: kertas)

Dalam percubaan KSTAR, pengoptimum RMP adaptif bersepadu ML dicetuskan dalam masa 4.5 saat dan mencapai penindasan ELM yang selamat dalam masa 6.2 saat.

Penyelidikan juga menunjukkan 3D-ML sebagai penyelesaian yang berdaya maju untuk mengautomasikan akses bebas ELM. ML-3D adalah berdasarkan model fizikal dan tidak memerlukan data percubaan, menjadikannya berskala terus kepada ITER dan reaktor gabungan masa hadapan. Kebolehgunaan yang kukuh pada peranti masa hadapan ini menyerlahkan kelebihan pendekatan pengoptimuman medan 3D bersepadu ML. Tambahan pula, pengoptimuman medan yang lebih baik dan prestasi gabungan yang lebih tinggi dijangka akan dicapai pada peranti masa hadapan dengan had arus gegelung 3D yang lebih tinggi.

Penyelidikan berjaya mengoptimumkan keadaan bebas ELM terkawal dalam peranti KSTAR dan DIII-D dengan prestasi gabungan yang sangat dipertingkatkan, meliputi RMP rendah-n yang berkaitan dengan reaktor masa hadapan kepada nRMP = 3 RMP yang berkaitan dengan ITER, dan Tahap tertinggi pelbagai bebas ELM senario dicapai dalam dua mesin.

Ilustrasi: Parameter plasma untuk amplitud RMP yang dioptimumkan (#190738) dengan prestasi yang sangat dipertingkatkan. (Sumber: Kertas)

Selain itu, penyepaduan inovatif algoritma ML dengan kawalan RMP membolehkan pengoptimuman medan 3D automatik sepenuhnya dan operasi bebas ELM buat kali pertama, dengan prestasi dipertingkatkan dengan ketara disokong oleh proses pengoptimuman penyesuaian. Pendekatan penyesuaian ini menunjukkan keserasian antara penindasan RMP ELM dan had tinggi.

Selain itu, ia menyediakan strategi yang mantap untuk mencapai penindasan ELM yang stabil dalam senario nadi yang panjang (bertahan lebih daripada 45 saat) dengan meminimumkan kehilangan pecahan arus mengehad dan bukan induktif.

Terutamanya, peningkatan prestasi (G) yang ketara diperhatikan dalam DIII-D dengan nRMP = 3 RMP, menunjukkan lebih 90% peningkatan berbanding keadaan penindasan ELM standard awal. Peningkatan ini dikaitkan bukan sahaja kepada kawalan RMP adaptif tetapi juga kepada evolusi konsisten diri putaran plasma. Respons ini membolehkan penindasan ELM pada amplitud RMP yang sangat rendah, dengan itu meningkatkan asas. Ciri ini ialah contoh yang baik bagi sistem yang beralih kepada keadaan optimum melalui tindak balas tersusun sendiri kepada modulasi penyesuaian.

Ilustrasi: Meningkatkan prestasi nyahcas melalui pengoptimuman RMP adaptif. (Sumber: kertas)

Selain itu, skema penyesuaian digabungkan dengan kaedah tanjakan RMP awal untuk mencapai senario bebas ELM berkaitan ITER dengan operasi bebas ELM yang hampir sepenuhnya. Keputusan ini mengesahkan bahawa kawalan RMP adaptif bersepadu ialah pendekatan yang sangat menjanjikan untuk mengoptimumkan keadaan penindasan ELM, dengan potensi untuk menangani salah satu cabaran paling sukar dalam mencapai tenaga gabungan yang praktikal dan berdaya maju dari segi ekonomi.

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

[Bacaan yang disyorkan]

• ,
  0 Nature lebih awal Ramalkan "koyak" plasma dalam gabungan dalam milisaat, pasukan Princeton membangunkan pengawal AI
  

• Segera menapis data besar-besaran dan membuat keputusan termaklum dalam pasukan MIT & Universiti MIT serta-merta LLM untuk penyelidikan gabungan

• Pembelajaran mesin untuk mencari gabungan isotop hidrogen yang sesuai untuk loji kuasa pelakuran nuklear masa hadapan

• Ketepatan simulasi meningkat sebanyak 65%, masa latihan dikurangkan sebanyak 3 kali ganda atau dipertingkatkan. dalam belajar mengawal pelakuran nuklear

Atas ialah kandungan terperinci Satu pencapaian baharu dalam gabungan nuklear yang boleh dikawal, AI merealisasikan pengoptimuman automatik sepenuhnya bagi medan 3D dwi tokamak buat pertama kali, diterbitkan dalam sub-isu Alam Semulajadi. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!