可控核融合新里程碑，AI首次實現雙託卡馬克3D場全自動優化，登Nature子刊

編輯 | X

幾十年來，核融合釋放能量的「精妙」過程一直吸引著科學家們的研究興趣。

現在，在普林斯頓等離子體物理實驗室（PPPL）中，科學家正藉助人工智慧，來解決人類面臨的緊迫挑戰：透過聚變等離子體產生清潔、可靠的能源。

與傳統的電腦程式碼不同，機器學習不僅僅是指令列表，它可以分析數據、推斷特徵之間的關係，並從新知識中學習和適應。

PPPL+研究人員相信，這種學習和適應能力可以透過多種方式改善他們對聚變反應的控制。這包括完善超熱等離子體周圍容器的設計、最佳化加熱方法以及在越來越長的時間內保持反應的穩定控制。

近日，PPPL的AI研究取得重大成果。 PPPL研究人員解釋了他們如何利用機器學習來避免磁擾動、聚變等離子體的穩定性。這項成果對於實現永續的聚變能源具有重要意義。透過對大量資料的分析和訓練，研究人員成功地開發出一種機器學習模型，能夠準確

圖示：上面顯示的兩個託卡馬克（ DIII-D 和KSTAR）裝置中部署了用於檢測和消除等離子體不穩定性的機器學習代碼。 （資料來源：通用原子公司和韓國聚變能源研究所）

該討論文的主要作者，PPPL研究物理學家SangKyeun Kim表示：「研究結果令人印象深刻，因為我們能夠夠使用相同的程式碼在兩個不同的託卡馬克裝置上實現這些結果。 ##Nature Communications

》上。

論文連結：

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

#抑制聚變中「邊緣爆發」

為了利用聚變能源市場上具有經濟競爭力，它必須在維持聚變的同時，實現足夠的離子密度（n）、溫度（T ）和能量約束時間（τ）的高聚變三重積（nτT）。

離子體需要足夠的品質因子（G∝ατT）才能實現高聚變性，並且隨著離子約束質量 (H89：歸一化能量約束時間) 的增加而增加。

為了使託卡馬克設計成為聚變反應器的可行選擇，必須開發可靠的方法來定期抑制邊緣爆發（edge burst）事件而不影響 G。

科學家已經透過各種方法來減輕邊緣爆發事件。一種有效的方法是利用外部 3D 場線圈的共振磁擾動 (RMP)，這已被證明是最有前途的邊緣爆發抑制方法之一。

圖示：託卡馬克中的 3D 場線圈結構。 （資料來源：論文）

然而，這種情況的代價高昂，導致 H89 和 G 與標準高約束等離子體體系相比顯著惡化，從而削弱了經濟前景。此外，3D 場還增加了災難性核心不穩定的風險，稱為中斷，這甚至比邊緣爆裂更嚴重。因此，無邊緣爆發操作與高約束操作的安全可及性和相容性亟待探索。

首次在兩個託卡馬克上實現

該研究首次在 KSTAR 和DIII-D 兩個託卡馬克上進行了創新和整合的3D 場優化，透過結合機器學習(ML)、自適應和多機器功能，來自動存取和實現幾乎幾乎完全無邊緣爆發狀態，同時從最初的爆發抑制狀態提高等離子體聚變性能，這是未來反應器實現無邊緣爆發運行的一個重要里程碑。

這是透過即時利用無邊緣爆發起始和損耗之間的滯後來增強等離子體約束，同時擴展 ML 在捕獲物理和優化核聚變技術方面的能力來實現的。

圖示：DIII-D 和 KSTAR 託卡馬克中 ELM-free 放電的效能比較。 （來源：論文）

這種整合有助於：

• 高度增強等離子體約束，在兩台機器的無邊界局域模（Edge Localized Mode-free，ELM-free）場景中達到最高融合G，G 增加高達90%；

• 使用基於ML 的3D 場模擬器首次實現全自動3D 場最佳化；

• 從等離子體操作一開始就同時建立爆發抑制，實現接近ITER 相關水準的幾乎完全的無邊緣爆發操作。這項成就為國際熱核融合實驗反應器（ITER）等未來設備邁出了至關重要的一步，在這些設備中，依賴經驗 RMP 優化不再是可行或可接受的方法。

「等離子體中存在不穩定性，可能會導致聚變裝置嚴重損壞。我們不能在商業聚變容器中使用這些物質。我們的工作推動了該領域的發展，並表明人工智慧在管理聚變反應方面發揮重要作用，避免不穩定，同時允許等離子體產生盡可能多的聚變能。

基於 ML 的全自動 3D 場最佳化

在本實驗中，使用一系列放電來尋找安全 ELM 抑制的最佳化 3D 波形。

在此背景下，研究引入了 ML 技術來開發自動化 3D 線圈優化的新穎路徑，並首次展示了該概念。

圖示：基於機器學習的即時 RMP 最佳化演算法。 （資料來源：論文）

研究人員開發了 GPEC 程式碼的代理模型 (ML-3D)，以即時利用基於物理的模型。該模型使用 ML 演算法將計算時間加速到 ms 級，並整合到 KSTAR 中的自適應 RMP 優化器中。

ML-3D 由一個完全連接的多層感知器（MLP）組成，由九個輸入驅動。為了訓練此模型，利用 8490 KSTAR 平衡的 GPEC 模擬。

圖示：ML-3D 模型效能。 （資料來源：論文）

此演算法利用 ELM 狀態監視器（Dα）訊號即時調整 IRMP，可以保持足夠的邊緣 3D 場來存取和維持 ELM 抑制。同時，3D 場優化器使用 ML-3D 的輸出來調整 3D 線圈上的電流分佈，從而確保安全的 3D 場以避免中斷。

圖示：具有整合 RMP 最佳化功能的全自動 ELM 抑制放電 (#31873) 的等離子體參數。 （資料來源：論文）

KSTAR 實驗中，ML 整合的自適應 RMP 最佳化器在 4.5 秒內觸發，在 6.2 秒內實現安全的 ELM 抑制。

研究也顯示 3D-ML 作為自動化無 ELM 存取的可行解決方案。 ML-3D 基於物理模型，不需要實驗數據，使其可以直接擴展到 ITER 和未來的聚變反應器。這種對未來設備的強大適用性凸顯了 ML 整合 3D 場優化方案的優勢。此外，在未來的 3D 線圈電流限制更高的設備中，有望實現更好的場最佳化和更高的聚變性能。

研究成功優化了KSTAR 和DIII-D 裝置中的受控ELM-free 狀態，並具有高度增強的聚變性能，涵蓋了與未來反應器相關的low-n RMP 到ITER 相關的nRMP = 3 RMP，並在兩台機器中實現了各種ELM-free 場景中的最高水平。

圖示：性能高度增強的最佳化 RMP 振幅 (#190738) 的等離子體參數。 （資料來源：論文）

此外，ML 演算法與RMP 控制的創新整合首次實現了全自動3D 場最佳化和ELM-free 操作，並在自適應最佳化流程的支持下，效能得到了顯著增強。這種自適應方法展現了 RMP ELM 抑制和高限制之間的兼容性。

此外，它還提供了一種穩健的策略，透過最大限度地減少限制和無感電流分數的損失，在長脈衝場景（持續超過 45 秒）中實現穩定的 ELM 抑制。

值得注意的是，在 nRMP = 3 RMP 的 DIII-D 中觀察到顯著的性能 (G) 提升，顯示較初始標準 ELM 抑制狀態提高了 90% 以上。這種增強不僅歸因於自適應 RMP 控制，還歸因於等離子體旋轉的自洽演化。此反應能夠以非常低的 RMP 幅度進行 ELM 抑制，從而增強基座。此功能是系統透過對自適應調製的自組織響應過渡到最佳狀態的一個很好的例子。

圖示：透過自適應 RMP 最佳化提高放電性能。 （來源：論文）

此外，自適應方案與早期的 RMP-ramp 方法結合，實現了 ITER 相關的 ELM-free 場景，幾乎完全 ELM-free 操作。這些結果證實，整合自適應 RMP 控制是一種非常有前途的優化 ELM 抑制狀態的方法，有可能解決實現實用且經濟可行的聚變能源的最艱鉅的挑戰之一。

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

【推薦閱讀】

• 登Nature，提前300毫秒預測聚變中等離子體「撕裂」，普林斯頓團隊開發AI控制器
  

• #快速篩選大量數據，即時做出明智決策，MIT、普林斯頓&卡內基梅隆大學團隊利用LLM進行聚變研究

• 機學習為未來核融合發電廠尋找合適的氫同位素組合

• 模擬精準度提升65%，訓練時間減少3倍以上，DeepMind以強化學習控制核融合取得進展

######################################################

以上是可控核融合新里程碑，AI首次實現雙託卡馬克3D場全自動優化，登Nature子刊的詳細內容。更多資訊請關注PHP中文網其他相關文章！