美国普林斯顿等离子物理实验室利用人工智能实现对聚变堆等离子体不稳定性的实时预测

发布机构：普林斯顿等离子物理实验室（PPPL）

发布时间：2024年2月21日

信息来源：https://www.pppl.gov/news/2024/engineers-use-ai-wrangle-fusion-power-grid

眨眼之间，驱动聚变反应的不规则、过热的等离子体可能会失去稳定性，并逃离将其限制在环形聚变反应堆内的强磁场。这些逃逸往往意味着反应的结束，这对发展聚变作为一种无污染、几乎无限的能源构成了核心挑战。

但普林斯顿大学和美国能源部普林斯顿等离子体物理实验室（PPPL）的工程师、物理学家和数据科学家组成的普林斯顿大学领导的团队已经利用人工智能的力量实时预测并避免特定等离子体问题的形成。

在圣地亚哥DIII-D国家聚变设施的实验中，研究人员证明，他们的模型仅根据过去的实验数据进行训练，可以提前300毫秒预测潜在的等离子体不稳定性，即撕裂模式不稳定性。虽然这不会给人类留下足够的时间来缓慢眨眼，但人工智能控制器有足够的时间改变某些操作参数，以避免等离子体磁力线内的撕裂，破坏其平衡，并为结束反应的逃逸打开大门。

“通过从过去的实验中学习，而不是结合基于物理的模型中的信息，人工智能可以制定最终的控制策略，在真实的反应堆中实时支持稳定、高功率的等离子体状态。”研究负责人、安德林格能源与环境中心机械和航空航天工程副教授、PPPL的工作人员研究物理学家Egemen

Kolemen说。

这项研究为比目前的方法更动态地控制聚变反应打开了大门，并为使用人工智能解决广泛的等离子体不稳定性提供了基础，这些不稳定性长期以来一直是实现持续聚变反应的障碍。研究小组于2月21日在《自然》杂志上发表了他们的发现。

第一作者、韩国忠安大学物理学助理教授Jaemin Seo说：“以前的研究通常集中在抑制或减轻这些撕裂不稳定性在等离子体中发生后的影响。但我们的方法使我们能够在这些不稳定出现之前预测并避免它们。”

环形装置中的过热等离子体旋涡

当两个原子——通常是氢等轻原子——聚集在一起形成一个更重的原子，在这个过程中释放大量能量时，就会发生聚变。这一过程为太阳提供动力，进而使地球上的生命成为可能。

然而，让两个原子聚变是很棘手的，因为这两个原子需要大量的压力和能量才能克服相互排斥。

幸运的是，太阳的巨大引力和核心极高的压力使聚变反应得以进行。为了在地球上复制类似的过程，科学家们转而使用极热的等离子体和极强的磁铁。

在被称为托卡马克的甜甜圈形状的设备中——有时被称为“罐子里的恒星”——磁场很难容纳超过1亿摄氏度的等离子体，比太阳中心还热。

虽然有许多类型的等离子体不稳定性可以终止反应，但普林斯顿大学的团队专注于解决撕裂模式不稳定性，这是一种扰动，等离子体中的磁力线实际上会断裂，并为等离子体随后的逃逸创造机会。

Seo说：“撕裂模式的不稳定性是等离子体破坏的主要原因之一，当我们试图以产生足够能量所需的高功率进行聚变反应时，这种不稳定性将变得更加突出。它们是我们需要解决的一个重要挑战。”

人工智能与等离子体物理的融合

由于撕裂模式的不稳定性可以在几毫秒内形成并破坏聚变反应，研究人员转向人工智能，因为它能够快速处理新数据并对其做出反应。

但是，开发有效的人工智能控制器的过程并不像在托卡马克上尝试一些东西那么简单，因为在托卡马克上时间有限，风险很高。

合著者Azarakhsh

Jalalvand是Kolemen小组的研究学者，他将教授在托卡马克中运行聚变反应的算法比作教别人如何驾驶飞机。

Jalalvand说：“你不会教别人交一套钥匙，然后告诉他们尽最大努力。相反，你会让他们在一个非常复杂的飞行模拟器上练习，直到他们学会了足够的东西来尝试真实的东西。”

与开发飞行模拟器一样，普林斯顿团队使用DIII-D装置过去实验的数据构建了一个深度神经网络，该网络能够基于实时等离子体特性预测未来撕裂不稳定性的可能性。

他们使用该神经网络来训练强化学习算法。与飞行员受训者一样，强化学习算法可以尝试不同的策略来控制等离子体，通过反复试验来学习哪些策略有效，哪些策略不在模拟环境的安全范围内。

Jalalvand说：“我们并没有向强化学习模型教授聚变反应的所有复杂物理。我们告诉它目标是什么——保持强大的反应——避免什么——撕裂模式的不稳定——以及它可以转动旋钮来实现这些结果。随着时间的推移，它学会了实现高功率目标的最佳途径，同时避免了对不稳定的惩罚。”

当该模型经历了无数次模拟聚变实验，试图找到在避免不稳定性的同时保持高功率水平的方法时，合著者SangKyeun Kim可以观察并改进其动作。

“在背景中，我们可以看到该模型的意图，”PPPL的研究员、科勒曼团队的前博士后研究员Kim说，“模型想要的一些变化太快了，所以我们努力使模型平稳。作为人类，我们在人工智能想要做什么和托卡马克能适应什么之间进行仲裁。”

一旦他们对人工智能控制器的能力充满信心，他们就在D-III D托卡马克的实际聚变实验中对其进行了测试，观察控制器对某些托卡马克参数进行实时更改，以避免不稳定的发生。这些参数包括改变等离子体的形状和将功率输入到反应中的光束的强度。

Kim说：“与目前更被动的方法相比，能够提前预测不稳定性可以更容易地进行这些反应。我们不再需要等待不稳定的发生，然后在等离子体被破坏之前迅速采取纠正措施。”

为未来提供动力

尽管研究人员表示，这项工作是一项很有希望的概念验证，证明了人工智能如何有效控制聚变反应，但这只是科勒曼团队为推进聚变研究领域已经在进行的许多下一步工作之一。

第一步是获得更多关于人工智能控制器在DIII-D托卡马克上运行的证据，然后将控制器扩展到其他托卡马克上。

第一作者Seo说：“我们有强有力的证据表明，控制器在DIII-D中工作得很好，但我们需要更多的数据来证明它可以在许多不同的情况下工作。我们希望朝着更普遍的方向努力。”

第二条研究路线涉及扩展算法以同时处理许多不同的控制问题。虽然目前的模型使用有限数量的诊断来避免一种特定类型的不稳定性，但研究人员可以提供其他类型不稳定性的数据，并为人工智能控制器提供更多的旋钮来进行调整。

“你可以想象一个巨大的奖励函数，它可以转动许多不同的旋钮，同时控制几种类型的不稳定性。”合著者Ricardo Shousha说，他是PPPL的博士后，曾是Kolemen团队的研究生，为DIII-D的实验提供支持。

在为聚变反应开发更好的人工智能控制器的过程中，研究人员还可能对潜在的物理学有更多的了解。通过研究人工智能控制器在试图控制等离子体时的决定（这可能与传统方法可能规定的完全不同），人工智能可能不仅是控制聚变反应的工具，而且是一种教学资源。

科勒曼说：“最终，这可能不仅仅是科学家开发和部署这些人工智能模型的单向互动。通过更详细地研究它们，它们可能也有某些东西可以教给我们。”