Vad hände
The Economic Times, som citerar Reuters, rapporterar att forskare vid Princeton University och US Department of Energys Princeton Plasma Physics Laboratory testade PACMAN, ett AI-baserat kontrollramverk för fusionsexperiment. På DIII-D tokamak analyserade systemet plasmasignaler, fattade kontrollbeslut på cirka 20 millisekunder och förutspådde en farlig instabilitet i rivläge ungefär 200 millisekunder innan den dök upp. Källan säger att PACMAN sedan justerade plasmaförhållandena för att förhindra störningen.
The Economic Times, som citerar Reuters, rapporterar att PACMAN står för Prediction And Control using MAchiNe learning. Istället för att förlita sig på en modell, kombinerar den maskinlärande prediktorer, kontroller och andra kontrollkomponenter. Ramverket bearbetar kontinuerligt mätningar relaterade till plasmatemperatur, densitet och magnetiska förhållanden och bestämmer sedan hur tokamak ska reagera. Den rapporterade styrslingan arbetar typiskt på cirka 20 millisekunder.
Forskare distribuerade PACMAN på DIII-D National Fusion Facility tokamak i San Diego och genomförde fem experiment som täckte flera kontrolluppgifter. Enligt källan inkluderade dessa drift av värmesystem med förstärkningsinlärning, förutsägelse av energiskurar från plasmakanten, kontroll av snabba partikeldrivna vågor och justering av plasmadensitet och rotation.
I rivningstestet rapporterar källan att PACMAN förutspådde instabiliteten cirka 200 millisekunder innan den inträffade och ändrade plasmaförhållandena för att förhindra att den utvecklades. Systemet koordinerade också sex gyrotroner, justerade deras mikrovågseffekt och spegelpositioner i realtid. Källan tillhandahåller inte oberoende testresultat utöver de rapporterade experimenten och dokumenterar inte heller allmänhetens tillgång eller prissättning; det här var en forskningsinstallation på en specifik tokamak.
Källinformation: m.economictimes.com ↗
Varför det spelar roll
Stabil plasma är en central utmaning för fusionsforskning eftersom störningar kan växa snabbare än mänskliga operatörer kan svara. Det rapporterade testet tyder på att maskininlärning kan stödja prediktiv kontroll i realtid snarare än att bara analysera experimentell data efteråt. Det kan hjälpa forskare att driva allt mer komplexa tokamaks, men det visar inte kommersiell fusionskraft eller fastställa att tillvägagångssättet kommer att fungera över andra maskiner och driftsförhållanden.
Fusionsreaktioner kräver att plasma förblir extremt varmt, tätt och stabilt. Källan säger att konventionella styrenheter i allmänhet svarar efter att en instabilitet har börjat, medan PACMAN försökte identifiera varningssignaler tillräckligt tidigt för att ingripa. En framgångsrik metod för prediktiv kontroll skulle kunna ge forskare mer tid att skydda experiment och sträva efter mer komplexa verksamhetsmål.
Den praktiska innebörden är främst för fusionsforskning och utveckling av styrsystem, inte omedelbar konsument- eller kommersiell tillgång till energi. Källan säger att det tog flera dagar efter att det ursprungliga ramverket byggdes att lägga till en ny modell, vilket kan förkorta experimentcyklerna. Rapporten slår dock inte fast att PACMAN kan upprätthålla stabil fusion för kraftproduktion, minska de totala reaktorkostnaderna eller överträffa alla konventionella styrmetoder.
Interaktiv mekanism: hur det faktiskt fungerar
Utforska den underliggande tekniken bakom denna utveckling interaktivt.
A route planner searches possible journeys using explicit rules. What does this illustrate about AI?
Vad du ska titta på härnäst
Ytterligare tester kommer att behöva visa om PACMAN generaliserar över tokamak, plasmatillstånd och olika instabilitetstyper. Källan säger också att ramverket inte är lämpligt för evenemang som utvecklas på submillisekunders tidsskalor. Säkerhetsgränser är fortfarande viktiga eftersom AI-rekommenderade kommandon kontrolleras mot hårdvarubegränsningar innan de skickas till maskinen.
Nästa viktiga bevis skulle vara replikering över olika tokamaks och plasmaregimer, tillsammans med resultat för ytterligare instabilitetstyper. Källan noterar uttryckligen att PACMANs millisekunds driftstidskala kanske inte hanterar fenomen som utvecklas på mindre än en millisekund.
Forskare kommer också att behöva utvärdera tillförlitlighet, fellägen och säkerhetsrestriktioner kring automatiserade kommandon. Enligt källan definierar forskare mål, hårdvara begränsar åtgärder och forskare granskar resultat. Rapporten anger inte hur systemet fungerar under oväntade sensorfel, distributionsförskjutningar eller förhållanden utanför dess träningsdata.