Accelerare la scienza della fusione attraverso il controllo appreso del plasma | Intelligenza-Artificiale

Controllare con successo il plasma di fusione nucleare in un tokamak con apprendimento di rinforzo profondo

Per risolvere la crisi energetica globale, i ricercatori cercano da tempo una fonte di energia pulita e illimitata. La fusione nucleare, la reazione che alimenta le stelle dell’universo, è uno dei contendenti. Distruggendo e fondendo l’idrogeno, un elemento comune dell’acqua di mare, il potente processo rilascia enormi quantità di energia. Qui sulla Terra, un modo in cui gli scienziati hanno ricreato queste condizioni estreme è utilizzando un tokamak, un vuoto a forma di ciambella circondato da bobine magnetiche, utilizzato per contenere un plasma di idrogeno più caldo del nucleo del Sole. Tuttavia, il plasma in queste macchine è intrinsecamente instabile, rendendo il processo necessario per la fusione nucleare una sfida complessa. Ad esempio, un sistema di controllo deve coordinare le numerose bobine magnetiche del tokamak e regolare la tensione su di esse migliaia di volte al secondo per garantire che il plasma non tocchi mai le pareti del recipiente, il che comporterebbe perdita di calore e possibili danni. Per aiutare a risolvere questo problema e come parte della missione di DeepMind di far avanzare la scienza, abbiamo collaborato con il Centro Svizzero del Plasma A EPFL sviluppare il primo sistema di apprendimento per rinforzo profondo (RL) per scoprire autonomamente come controllare queste bobine e contenere con successo il plasma in un tokamak, aprendo nuove strade per far avanzare la ricerca sulla fusione nucleare.

In un articolo pubblicato oggi su Naturedescriviamo come possiamo controllare con successo il plasma di fusione nucleare costruendo ed eseguendo controller sul Tokamak a configurazione variabile (TCV) a Losanna, in Svizzera. Utilizzando un’architettura di apprendimento che combina RL profondo e un ambiente simulato, abbiamo prodotto controller che possono sia mantenere stabile il plasma sia essere utilizzati per scolpirlo con precisione in diverse forme. Questa “scultura del plasma” mostra che il sistema RL ha controllato con successo la materia surriscaldata e, cosa importante, consente agli scienziati di studiare come il plasma reagisce in diverse condizioni, migliorando la nostra comprensione dei reattori a fusione.

Questo lavoro è un altro potente esempio di come l’apprendimento automatico e le comunità di esperti possano unirsi per affrontare grandi sfide e accelerare la scoperta scientifica. Il nostro team è al lavoro per applicare questo approccio a campi diversi come la chimica quantistica, la matematica pura, la progettazione dei materiali, le previsioni meteorologiche e altro ancora, per risolvere problemi fondamentali e garantire che l’intelligenza artificiale avvantaggi l’umanità.

Imparare quando i dati sono difficili da acquisire

La ricerca sulla fusione nucleare è attualmente limitata dalla capacità dei ricercatori di eseguire esperimenti. Sebbene esistano dozzine di tokamak attivi in ​​tutto il mondo, sono macchine costose e molto richieste. Ad esempio, il TCV può sostenere il plasma in un singolo esperimento solo per un massimo di tre secondi, dopodiché necessita di 15 minuti per raffreddarsi e ripristinarsi prima del tentativo successivo. Non solo, più gruppi di ricerca spesso condividono l’uso del tokamak, limitando ulteriormente il tempo a disposizione per gli esperimenti.

Considerati gli attuali ostacoli all’accesso a un tokamak, i ricercatori si sono rivolti ai simulatori per contribuire a far avanzare la ricerca. Ad esempio, i nostri partner dell’EPFL hanno creato un potente set di strumenti di simulazione che modellano la dinamica dei tokamak. Siamo stati in grado di utilizzarli per consentire al nostro sistema RL di imparare a controllare il TCV in simulazione e quindi convalidare i nostri risultati sul TCV reale, dimostrando che potevamo scolpire con successo il plasma nelle forme desiderate. Sebbene questo sia un modo più economico e conveniente per addestrare i nostri controllori; dovevamo ancora superare molte barriere. Ad esempio, i simulatori del plasma sono lenti e richiedono molte ore di lavoro del computer per simulare un secondo di tempo reale. Inoltre, le condizioni del TCV possono cambiare di giorno in giorno, richiedendoci di sviluppare miglioramenti algoritmici, sia fisici che simulati, e di adattarci alla realtà dell’hardware.

Successo privilegiando semplicità e flessibilità

I sistemi di controllo del plasma esistenti sono complessi e richiedono controller separati per ciascuna delle 19 bobine magnetiche del TCV. Ciascun controller utilizza algoritmi per stimare le proprietà del plasma in tempo reale e regolare di conseguenza la tensione dei magneti. Al contrario, la nostra architettura utilizza una singola rete neurale per controllare tutte le bobine contemporaneamente, apprendendo automaticamente quali tensioni sono le migliori per ottenere una configurazione del plasma direttamente dai sensori.

A titolo dimostrativo, abbiamo prima dimostrato che potevamo manipolare molti aspetti del plasma con un unico controller.

Nel video qui sopra vediamo il plasma nella parte superiore del TCV nell’istante in cui il nostro sistema prende il controllo. Il nostro controller prima modella il plasma secondo la forma richiesta, quindi sposta il plasma verso il basso e lo stacca dalle pareti, sospendendolo al centro del recipiente su due gambe. Il plasma viene mantenuto stazionario, come sarebbe necessario per misurare le proprietà del plasma. Quindi, finalmente, il plasma viene riportato in cima alla nave e distrutto in modo sicuro.

Abbiamo quindi creato una gamma di forme di plasma studiate dai fisici del plasma per la loro utilità nella generazione di energia. Ad esempio, abbiamo realizzato una forma a “fiocco di neve” con molte “gambe” che potrebbero aiutare a ridurre i costi di raffreddamento distribuendo l’energia di scarico a diversi punti di contatto sulle pareti del serbatoio. Abbiamo anche dimostrato una forma vicina alla proposta di ITERil tokamak di prossima generazione in costruzione, poiché l’EPFL stava conducendo esperimenti per prevedere il comportamento dei plasmi in ITER. Abbiamo anche fatto qualcosa che non era mai stato fatto prima in TCV, stabilizzando una “gocciolina” in cui all’interno del vaso sono presenti due plasma contemporaneamente. Il nostro unico sistema è stato in grado di trovare controller per tutte queste diverse condizioni. Abbiamo semplicemente cambiato l’obiettivo richiesto e il nostro algoritmo ha trovato autonomamente un controller appropriato.

Il futuro della fusione e oltre

Analogamente ai progressi che abbiamo visto applicando l’intelligenza artificiale ad altri domini scientifici, la nostra riuscita dimostrazione del controllo del tokamak mostra il potere dell’intelligenza artificiale nell’accelerare e assistere la scienza della fusione, e ci aspettiamo una crescente sofisticazione nell’uso dell’intelligenza artificiale in futuro. Questa capacità di creare controller in modo autonomo potrebbe essere utilizzata per progettare nuovi tipi di tokamak e contemporaneamente progettarne i controller. Il nostro lavoro punta anche a un futuro luminoso per l’apprendimento per rinforzo nel controllo di macchine complesse. È particolarmente interessante considerare i campi in cui l’intelligenza artificiale potrebbe aumentare le competenze umane, fungendo da strumento per scoprire approcci nuovi e creativi ai difficili problemi del mondo reale. Prevediamo che l’apprendimento per rinforzo diventerà una tecnologia trasformativa per le applicazioni di controllo industriale e scientifico negli anni a venire, con applicazioni che vanno dall’efficienza energetica alla medicina personalizzata.