Sztuczna inteligencja w kontroli plazmy syntezy jądrowej
Sztuczna inteligencja wykorzystuje uczenie się przez wzmacnianie do sterowania przegrzaną plazmą wewnątrz reaktorów termojądrowych w czasie rzeczywistym, utrzymując ją stabilnie wystarczająco długo, aby uwolnić energię.
Przegląd
It matters because plasma instability is one of the biggest hurdles standing between us and clean, near-limitless fusion power.
Głębokie nurkowanie
Wewnątrz tokamaka plazma wodorowa osiąga temperaturę ponad 100 milionów stopni Celsjusza i musi być utrzymywana z dala od ścian za pomocą silnych pól magnetycznych. Plazma jest burzliwa i niestabilna, a kontrolowanie jej kształtu wymaga regulacji dziesiątek cewek magnetycznych tysiące razy na sekundę, szybciej niż jakikolwiek człowiek i jest trudne dla ręcznie dostrojonych kontrolerów. W 2022 r. Google DeepMind i Szwajcarskie Centrum Plazmy przeszkolili agenta uczącego się przez wzmocnienie do kontrolowania cewek magnetycznych tokamaka TCV, skutecznie kształtując plazmę w konfiguracje takie jak kształty wydłużone i „kropelki”. Sztuczna inteligencja przewiduje również zakłócenia, nagłe zawalenia, które mogą uszkodzić reaktor, dając operatorom cenne milisekundy na reakcję. Badacze z Princeton zademonstrowali modele, które przewidują i pomagają unikać niestabilności w trybie rozdzierania, zanim one wystąpią.
Wgląd techniczny
Podejście zastosowane w DeepMind wytrenowało kontroler głębokiego uczenia się przez wzmacnianie w dokładnym symulatorze plazmy, umożliwiając mu bezpieczne eksperymentowanie miliony razy, zanim dotknie prawdziwego sprzętu. Sieć neuronowa odwzorowuje odczyty czujników na żywo, takie jak pomiary magnetyczne, bezpośrednio na polecenia napięcia dla cewek, zastępując stos oddzielnie zaprojektowanych sterowników jedną wyuczoną polityką. Co najważniejsze, działa wystarczająco szybko, aby wydawać polecenia w milisekundowej skali czasu wymaganej przez plazmę.
Wpływ strategiczny
Buduj wybory
Projektowanie na poziomie aplikacji określa, czy sztuczna inteligencja poprawia rzeczywiste wyniki.
Zespół i przepływ pracy
Dobra integracja przepływu pracy zapewnia wzrost produktywności, któremu użytkownicy mogą zaufać.
Ryzyko i bezpieczeństwo
Dobrze określone przypadki użycia zmniejszają zmęczenie zmianami i ryzyko wdrożenia.
Przyszłość sztucznej inteligencji w kontroli plazmy syntezy jądrowej
W miarę jak reaktory takie jak ITER i prywatne przedsięwzięcia zbliżają się do warunków spalania plazmy, kontrolery AI będą niezbędne, ponieważ niestabilności stają się coraz trudniejsze do opanowania przy większej mocy. Spodziewaj się modeli, które przewidują zakłócenia z kilkusekundowym wyprzedzeniem i samodzielnie dostosowują się, aby im zapobiegać, a także sztucznej inteligencji wykorzystywanej do optymalizacji konstrukcji reaktorów i strategii wtrysku paliwa. Modele zastępcze, które przypominają drogie symulacje fizyczne, pozwolą inżynierom szybko zbadać wiele projektów, potencjalnie skracając drogę do komercyjnie opłacalnej energii termojądrowej.
Implementacja w świecie rzeczywistym
Google DeepMind i Swiss Plasma Center wykorzystały uczenie się przez wzmacnianie do kontrolowania cewek magnetycznych tokamaka TCV i rzeźbienia plazmy w docelowe kształty.
Badacze z Princeton Plasma Physics Laboratory zbudowali modele sztucznej inteligencji, które przewidują i pomagają unikać niestabilności w trybie rozdzierania w ośrodku DIII-D.
Commonwealth Fusion Systems i inne prywatne firmy wykorzystują ML do optymalizacji projektów magnesów i reaktorów.
Modele zastępcze AI zastępują powolne symulacje fizyki, aby szybko badać scenariusze plazmowe podczas planowania eksperymentów.
Zagrożenia i poręcze
Automatyzacja uszkodzonego procesu może spotęgować istniejące problemy.
Zespoły mogą nadmiernie zautomatyzować i wyeliminować niezbędny ludzki osąd.
Jakość może się wahać, jeśli wyniki nie są stale oceniane.
Plan wdrożenia
Zamapuj bieżący przepływ pracy i zidentyfikuj etap o największym tarciu.
Zdefiniuj ludzkie punkty kontrolne przed pełną automatyzacją.
Szkoluj użytkowników w zakresie podpowiedzi, ścieżek eskalacji i standardów jakości.
Śledź wyniki na poziomie zadań, aby potwierdzić trwałą wartość.
Odkrywaj dalej
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Nuclear Fusion Plasma Control quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Następny poradnik
Sztuczna inteligencja w kontroli oczyszczania ścieków
Często zadawane pytania
What is AI in Nuclear Fusion Plasma Control?
Sztuczna inteligencja wykorzystuje uczenie się przez wzmacnianie do sterowania przegrzaną plazmą wewnątrz reaktorów termojądrowych w czasie rzeczywistym, utrzymując ją stabilnie wystarczająco długo, aby uwolnić energię. Ma to znaczenie, ponieważ niestabilność plazmy jest jedną z największych przeszkód stojących między nami a czystą, niemal nieograniczoną mocą termojądrową.
Dlaczego pola magnetyczne muszą oddzielać plazmę termojądrową od ścian reaktora?
Plazma termojądrowa jest znacznie gorętsza, niż może wytrzymać jakakolwiek substancja stała, więc zamknięcie magnetyczne utrzymuje ją z dala od ścian.
Jakiej metody uczenia maszynowego użył DeepMind do sterowania tokamakiem TCV?
Firma DeepMind przeszkoliła agenta uczenia się przez wzmacnianie, który nauczył się zasad kontroli mapujących czujniki na polecenia cewki.
Dlaczego kontroler został najpierw przeszkolony w symulatorze?
Szkolenie na dokładnym symulatorze pozwala agentowi zawieść i bezpiecznie się uczyć, ponieważ błędy na prawdziwym sprzęcie mogą uszkodzić reaktor.
Czym jest „zakłócenie” plazmy, które sztuczna inteligencja próbuje przewidzieć?
Zakłócenia to nagłe straty w zamknięciu plazmy, które powodują uwolnienie energii do elementów reaktora, dlatego warto je wcześnie przewidzieć.
Co wysyłał kontroler DeepMind do sterowania plazmą?
Sieć neuronowa zmapowała odczyty czujników magnetycznych pod napięciem na polecenia napięcia, które regulują cewki ograniczające.