登Nature，提前300毫秒预测聚变中等离子体「撕裂」，普林斯顿团队开发AI控制器

将ScienceAI设为星标

第一时间掌握

新鲜的 AI for Science 资讯

JET 托卡马克装置的内部。（英国原子能管理局）

编辑 | 紫罗

核聚变被称为人造太阳，其原理和为太阳以及其他恒星提供动力的过程相同，被广泛视为清洁能源的圣杯。

但科学家们只实现并维持了几秒钟的核聚变能，还有许多障碍，包括高度复杂过程中的不稳定性。

实现聚变能的方法有多种，但最常见的是使用氢变体作为输入燃料，并在称为托卡马克的「甜甜圈形」形状的机器中将温度提高到极高水平，以产生等离子体，一种类似汤的物质状态。

但等离子体需要受到控制，而且极易「撕裂」，并逃离机器设计用来控制等离子体的强大磁场。

近日，普林斯顿大学和普林斯顿等离子体物理实验室研究核聚变能的科学家表示，他们已经找到了一种使用人工智能的方法，预测这些潜在不稳定性并实时阻止其发生。

研究人员利用此前开发的多模态动态模型作为强化学习人工智能的训练环境，促进自动化的不稳定预防。

该团队在圣地亚哥的 DIII-D 国家聚变设施进行了实验，发现他们的人工智能控制器可以提前 300 毫秒预测潜在的等离子体撕裂。如果没有这种干预，聚变反应就会突然结束。

普林斯顿大学发言人表示：「这些实验为使用人工智能解决广泛的等离子体不稳定性问题奠定了基础，这些不稳定性长期以来阻碍了聚变能的发展。」

普林斯顿大学机械与航空航天工程教授、该研究的作者之一 Egemen Kolemen 表示，这些发现「绝对」是核聚变向前迈出的一步。

Kolemen 表示：「这是最大的障碍之一——中断——你希望任何反应堆都能全天候（24/7）运行多年，不会出现任何问题。这些类型的中断和不稳定会带来很大的问题，因此开发这样的解决方案增强了他们的信心，让他们相信我们可以毫无问题地运行这些机器。」

相关研究以《Avoiding fusion plasma tearing instability with deep reinforcement learning》为题，于 2024 年 2 月 21 日发布在《Nature》上。

论文链接：https://www.nature.com/articles/s41586-024-07024-9

聚变能：清洁能源的圣杯

聚变能是为太阳和其他恒星提供动力的过程，几十年来专家们一直在努力在地球上掌握它。当两个通常相互排斥的原子被迫融合在一起时，就会实现这一点。它与当今广泛使用的核裂变相反，核裂变依赖于原子分裂。

本月早些时候，英国牛津市附近的科学家和工程师创造了新的核聚变能量记录，仅使用 0.2 毫克燃料即可维持 69 兆焦耳的聚变能量 5 秒。这足以为大约 1.2 万户家庭提供相同时间的电力。这刷新了核聚变能源纪录，使这种清洁、未来的能源离现实又近了一步。

但该实验输入的能量仍然多于产生的能量。然而，加利福尼亚州的另一个团队在 2022 年 12 月成功地通过称为「点火」的过程产生了净量的聚变能。此后他们已经重复点火了三次。

尽管取得了令人鼓舞的进展，但聚变能源距离商业化还有很长的路要走，远远超出了为避免气候危机恶化而需要深入、持续地减少地球变暖污染的时间。

AI 防撕裂系统

普林斯顿大学团队开发了一种人工智能控制器，可以根据观察到的等离子体轮廓自适应地控制执行器，在保持低撕裂性的同时追求高等离子体压力。该防撕裂系统的整体架构如下图所示。

图 1：DIII-D 托卡马克防撕裂系统的总体架构。（来源：论文）

基于人工智能的撕裂避免系统主动控制光束功率和等离子体三角度，以将未来撕裂不稳定发生的可能性保持在较低水平。这使得在 DIII-D 中的 low-q95 和低扭矩条件下将撕裂性保持在阈值以下。

此外，控制器不仅在 ITER 基线条件等特定实验条件下，而且在其他操作环境甚至意外情况下，都证明了能够稳健地避免撕裂不稳定性。

研究人员表示，该研究是使用强化学习避免撕裂的概念验证研究，仍处于微调的早期阶段。对于更有用的应用，还需要进一步的实验和微调。

尽管如此，该研究证明了强化学习可以应用于核心等离子体物理的实时控制。

这次演示是融合领域机器学习能力的成功扩展，为未来托卡马克装置中高性能运行场景的集成控制开发提供了见解和途径，超越了单一的不稳定性控制。

该研究开发的撕裂避免控制还有进一步的潜在应用。

参考内容：https://edition.cnn.com/2024/02/21/climate/nuclear-fusion-ai-climate-solution/index.html

https://edition.cnn.com/2022/02/09/uk/nuclear-fusion-climate-energy-scn-intl/index.html

人工智能×[ 生物 神经科学 数学 物理 化学 材料 ]

「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。

点击阅读原文，加入专业从业者社区，以获得更多交流合作机会及服务。