Artificiell intelligens i fusionsforskningens tjänst

Fusionsforskningen tar hjälp av artificiell intelligens. Illustration: Eliot Feibush/PPPL och Julian Kates-Harbeck/Harvard University

Amerikanska forskare använder maskininlärning för att förutspå störningar i fusionsplasman och för att kunna kontrollera dem.

Artificiell intelligens skulle kunna påskynda utvecklingen av säker, ren och i stort sett obegränsad fusionsenergi. Ett stort steg i denna riktning är på väg att tas vid det amerikanska energidepartementets Princeton Plasma Physics Laboratory och Princeton University, där en grupp forskare för första gången tillämpar djupinlärning, en kraftfull form av maskininlärning, för att förutspå plötsliga störningar som kan stoppa fusionsreaktioner och skada de tokamakreaktorer där reaktionerna sker.

- Den här forskningen öppnar ett lovande nytt kapitel i arbetet att ta obegränsad energi till jorden. Artificiell intelligens exploderar över alla vetenskapsgrenar och börjar nu bidra till det världsomspännande sökandet efter fusionskraft, säger Steve Cowley, som är chef för Princeton Plasma Physics Laboratory.

Nästa steg är att gå från att förutspå störningar i fusionsplasman till att kontrollera dem.

- Istället för att förutspå störningar i sista sekunden och sedan lindra dem skulle vi helst använda framtida djupinlärningsmodeller för att försiktigt styra bort plasmat från instabila regioner med målsättningen att undvika de flesta störningarna, säger Julian Kates-Harbeck från Harvard University, som deltagit i forskningen.

En grupp forskare under ledning av Dan Boyer från Princeton Plasma Physics Laboratory har till exempel tränat neurala nätverk, som är kärnan i maskininlärningsmjukvara, med hjälp av data från tokamakreaktorn NSTX-U vid Princeton Plasma Physics Laboratory för att skapa en modell som förutspår beteendet hos de energirika partiklar som används för att hetta upp ett fusionsplasma.

Genom att minska den tid som krävs för att förutspå partiklarnas beteende från flera minuter till under 150 millisekunder kan den nya maskininlärningsmodellen göra beräkningarna under experimentets gång. I kombination med de begränsade mätningar av plasmaförhållanden som finns tillgängliga i realtid kommer detta att hjälpa plasmakontrollsystemet att optimera prestandan och bibehålla plasmats stabilitet.