Angesichts des doppelten Drucks durch den steigenden Energiebedarf und die nahende Frist für das Ziel der „Kohlenstoffneutralität“ liegt der allgemeine Trend in der Nutzung sauberer Energie mit geringen oder gar keinen Kohlenstoffemissionen. In den letzten Jahren hat die Kernfusion, die das Potenzial hat, Elektrizität ohne CO2-Emissionen zu erzeugen, immer mehr Aufmerksamkeit erhalten und immer mehr Wissenschaftler und Experten haben begonnen, eingehende Forschungen durchzuführen.

Trotz des bemerkenswerten Erfolgs der Tokamak-Fusionsexperimente bleiben Hindernisse bestehen. Eines der kritischsten Probleme, die für einen erfolgreichen Langpulsbetrieb des ITER gelöst werden müssen, ist die Plasmastörung. Der Hauptgrund hierfür besteht darin, dass Plasma sehr leicht „zerreißt“ und dem starken Magnetfeld, in dem es eingeschlossen ist, entkommt, wodurch die Fusionsreaktion unterbrochen wird.

In früheren Studien war es möglich, die Fusionsenergie für einen kurzen Zeitraum aufrechtzuerhalten. Da die Deep Reinforcement Learning-Technologie (DRL) bei nichtlinearen und hochdimensionalen Antriebsproblemen eine hohe Leistung gezeigt hat, hat man begonnen, ihre Einführung in die Kernfusionsforschung zu prüfen.Erst kürzlich entwickelten Forscher der Princeton University einen KI-Controller zur adaptiven Vorhersage und Steuerung, der das potenzielle Risiko eines Plasmarisses 300 Millisekunden im Voraus vorhersagen und rechtzeitig eingreifen kann. Die entsprechenden Ergebnisse wurden in „Nature“ veröffentlicht.

Papieradresse:
https://www.nature.com/articles/s41586-024-07024-9
Folgen Sie dem offiziellen Account und antworten Sie mit „Kernfusion“, um das vollständige Dokument herunterzuladen.

Kombination traditioneller physikalischer Methoden mit KI

Wie in der folgenden Abbildung dargestellt, haben die Forscher traditionelle physikbasierte Methoden mit fortschrittlichen KI-Techniken integriert, um die Kontrolle und das Verständnis des Plasmaverhaltens zu verbessern.

Abbildung a:Diagnosesystem, das die wichtigsten Diagnosetools zeigt, die in dieser Studie zur Überwachung und Analyse des Plasmas im DIII-D-Tokamak verwendet wurden.

Dazu gehören Magnetik zur Messung magnetischer Felder, Thomson-Streuung (TS) zur Messung von Dichte- und Temperaturverteilungen sowie Ladungsaustausch-Rekombinationsspektroskopie (CER) zur Messung von Ionentemperatur und -flussraten. Der spezifische Rissinstabilitätsmodus m/n =2/1 ist in der Abbildung orange hervorgehoben, um seine Bedeutung hervorzuheben.

Abbildung b:Heizen, Stromtreiben und Steuern von Aktoren. Zeigt Systeme zum Heizen von Plasma, zum Leiten von Strom durch das Plasma und zur Steuerung seines Verhaltens.

Hierzu gehören insbesondere Geräte zum Einschießen von Teilchenstrahlen, zum Anlegen magnetischer Felder und zum Einsatz von Mikrowellen- oder Radiofrequenzwellen zum Heizen und zur Erzeugung von elektrischem Strom. Steueraktuatoren spielen eine Schlüsselrolle bei der Manipulation des Plasmas, um die gewünschten Bedingungen zu erreichen und gleichzeitig instabile Situationen wie den Tearing-Modus m/n = 2/1 zu bekämpfen.

Abbildung c:Dargestellt ist ein Kontrollsystem zur Vermeidung von Rissen, ein Kontrollsystem zur Verhinderung oder Abschwächung von Rissinstabilitäten.

Im Vorverarbeitungsschritt werden die Signale des Diagnosesystems durch Profilrekonstruktion und Gleichgewichtsanpassung (EFIT) in strukturierte Daten gleicher Dimension und räumlicher Auflösung verarbeitet und dann in das Deep Neural Network (DNN)-Modell eingegeben.

Abbildung d:Der auf einem tiefen neuronalen Netzwerk basierende KI-Controller bestimmt die Gesamtstrahlleistung und Plasmaform.

Ein Gleichgewichtsanpassungsalgorithmus (EFIT) übernimmt Steuerungsaufgaben auf niedriger Ebene und passt den Magnetspulenstrom und die Strahlleistung an, um die Steuerbefehle der KI und vom Benutzer voreingestellte Einschränkungen zu erfüllen, wie z. B. die Einhaltung eines bestimmten Sicherheitsfaktors (q95) und Strahldrehmoments.

Reinforcement-Learning-Algorithmen: Anti-Tearing-Kontrolle

In einem Fusionsreaktor ist der Zustand des Plasmas in der folgenden Abbildung dargestellt:

Die schwarze Linie in Feld a zeigt, dass bei einer Erhöhung des Plasmadrucks durch externe Erwärmung (z. B. durch einen neutralen Teilchenstrahl) schließlich eine Stabilitätsgrenze erreicht wird. Bei Überschreiten dieser Grenze kommt es zur Anregung von Reißinstabilitäten. Die Abbildungen b und c zeigen, dass das Plasma nach Anregung der Tearing-Instabilität schnell zerstört wird, was im tatsächlichen Betrieb schwerwiegende Folgen haben kann.

Auf der Grundlage tiefer neuronaler Netzwerke und bestärkendem Lernen entwickelten die Forscher ein intelligentes Steuerungssystem, das in Echtzeit auf Änderungen des Plasmazustands reagieren, den zukünftigen Zustand des Plasmas vorhersagen und die Steuerungsmaßnahmen entsprechend anpassen kann, sodass der Tokamak-Betrieb dem idealen Verlauf folgt und Rissinstabilitäten bei gleichzeitiger Aufrechterhaltung eines hohen Drucks vermieden werden.

Modelle des bestärkenden Lernens verwenden eine Belohnungsfunktion, um dieses Problem der Hindernisvermeidung zu implementieren. Das zur Vorhersage zukünftiger Rissinstabilitäten verwendete Dynamikmodell ist in die OpenAI Gym-Bibliothek integriert und ermöglicht so die Interaktion mit dem Controller als Trainingsumgebung. Der Tearing-Avoidance-Controller wird mithilfe einer tiefen deterministischen Policy-Gradient-Methode trainiert, die in Keras-RL implementiert ist.

Der Vorteil des bestärkenden Lernens liegt in der Fähigkeit, durch Multi-Aktor- (Strahl und Form) und Multi-Ziel-Controller (niedriges Tearing und hohes βN) in den höheren βN-Bereich einzudringen und dabei ein tolerierbares Tearing aufrechtzuerhalten.

Tränenkontrolle in DIII-D: Traditionell vs. KI

Einschränkungen der herkömmlichen Rückkopplungssteuerung

Es wurde versucht, den normalisierten Plasmadruck (βN = 2,3) durch herkömmliche Rückkopplungskontrollmethoden aufrechtzuerhalten. Im Experiment Nr. 193273 (schwarze Linie in der Abbildung unten) trat jedoch bei einer Zeit von 2,6 Sekunden eine große Reißinstabilität auf, die zu einem irreversiblen Abbau von βN führte.Schließlich erfolgte nach 3,1 Sekunden eine Plasmaunterbrechung.

Vorteile der KI-Steuerung

Im Experiment Nr. 193280 (blaue Linie in der Abbildung unten) wurde mithilfe der KI-Steuerung die Strahlleistung und die drei Plasmawinkel adaptiv gesteuert, um sicherzustellen, dass der vorhergesagte Zerreißgrad den Schwellenwert von 0,5 nicht überschritt.

Die experimentellen Ergebnisse zeigen, dass der geschätzte Rissgrad durch die KI-Steuerung erfolgreich unter einem bestimmten Schwellenwert gehalten wird. Im Vergleich zum Versuch 193273 kann ein geringerer Rissgrad erreicht werden.

Kontrollstrategien unter verschiedenen Rissschwellen

Die Forscher verglichen die Kontrollstrategien bei unterschiedlichen Tränenschwellen. Die Versuchsnummern 193277 (graue Linie in der obigen Abbildung), 193280 (blaue Linie in der obigen Abbildung) und 193281 (rote Linie in der obigen Abbildung) entsprechen Kontrollexperimenten mit Reißschwellenwerten von 0,2, 0,5 bzw. 0,7.

In den Fällen von k = 0,5 und k = 0,7 zeigt das Plasma vor dem Ende der vorgegebenen Plateauperiode eine gute Stabilität. Der Regler mit einem höheren Schwellenwert (k = 0,7) neigt dazu, βN in den frühen Phasen des Experiments (t < 3,5 s) aggressiver zu erhöhen, was jedoch dazu führt, dass das Plasma anschließend in einen instabileren Bereich eintritt.

Der untere Schwellenwertregler mit k = 0,2 war zu Beginn des Experiments zu konservativ und unterdrückte die Möglichkeit einer Instabilität zu stark. Bis t = 5 Sekunden behielt AI einen sehr niedrigen Tearing-Grad (weniger als 0,2), zeigte aber bei t = 5,5 Sekunden plötzlich eine unvermeidliche Instabilität.

Im Gegensatz dazu ist der Regler mit einem mittleren Schwellenwert (k = 0,5) in der Lage, die Plasmastabilität bis zum Ende der Plateauperiode aufrechtzuerhalten und schließlich βN wieder herzustellen.Dies lässt darauf schließen, dass ein optimaler Schwellenwert erforderlich ist, um ein stabiles Plasma über einen langen Zeitraum aufrechtzuerhalten.

Die Suche nach dem Heiligen Gral der sauberen Energie ist noch immer mit vielen Herausforderungen verbunden

Die kontrollierte Kernfusion ist eines der anspruchsvollsten Ziele der modernen Wissenschaft und Technik und gilt als heiliger Gral der sauberen Energie. Wann werden Menschen in der Lage sein, diesen heiligen Gral zu besitzen, und welche Rolle wird die KI dabei spielen?

Diese Forschung hat erfolgreich das Potenzial der KI bei der effektiven Steuerung von Fusionsreaktionen demonstriert. Darüber hinaus setzte Jaemin, der Erstautor dieses Artikels, während seiner Promotion am Institut für Nukleartechnik der Seoul National University auf innovative Weise Methoden des bestärkenden Lernens ein, um einen neuen Plasmasteuerungsalgorithmus für KSTAR (Korea Superconducting Tokamak Advanced Research Facility) zu entwickeln.

Obwohl immer mehr Forscher begonnen haben, die Kernfusion eingehend zu erforschen und diesem heiligen Gral Schritt für Schritt näher kommen, gibt es noch viele technische Hürden, die überwunden werden müssen:

1. Plasmastabilität:

Die Kontrolle der Stabilität von Hochtemperaturplasma ist eine der größten Herausforderungen bei der Erzielung einer kontrollierten Kernfusion. Um die erforderliche Fusionsreaktionsrate aufrechtzuerhalten, müssen Temperatur und Druck des Plasmas hoch genug gehalten werden. Dazu ist eine äußerst präzise Technologie zur Steuerung des Magnetfelds erforderlich.

2. Wesentliche Aspekte:

Derzeit gibt es kein Material, das über längere Zeit hohen Temperaturen und einem hohen Ionenfluss standhält, ohne dass es zu nennenswerten Qualitätseinbußen kommt. Durch die Neutronenbestrahlung können Materialien spröde werden und ihre Leistungsfähigkeit kann nachlassen, was ein großes Problem für den langfristigen Betrieb und die Wirtschaftlichkeit des Reaktors darstellt.

3. Energiegewinnung und -umwandlung:

Auch die Frage, wie sich Energie aus Fusionsreaktionen effizient nutzen und in elektrische Energie umwandeln lässt, ist ein Schwerpunkt aktueller Forschung. Um die Nutzung der Fusionsenergie wirtschaftlich zu nutzen, sind hocheffiziente Systeme zur Umwandlung von Wärme in Elektrizität von entscheidender Bedeutung.

4. Erzeugung und Versorgung mit Fusionsbrennstoffen:

Tritium und Deuterium können Kernfusionsreaktionen eingehen und werden als Brennstoff für die kontrollierte Kernfusion verwendet. Während Deuterium in der Natur relativ häufig vorkommt, ist Tritium äußerst selten. Es ist äußerst schwierig, es künstlich herzustellen und muss im Reaktor durch Neutroneneinfang erzeugt oder auf andere Weise gewonnen werden. Ein Kilogramm Tritium ist über 100 Millionen Dollar wert.

In den letzten Jahren hat die KI in der wissenschaftlichen Forschung für zahlreiche Überraschungen gesorgt, von der effizienten Vorhersage der Proteinstruktur durch AlphaFold über die Darstellung von Bildern Schwarzer Löcher auf Basis maschinellen Lernens bis hin zur Vorhersage von Wetteränderungen auf Basis neuronaler Netzwerke …

Heute ist das schwierige Problem der Plasmastabilität durch KI überwunden, die über gesammelte Erfahrungen bei der Anwendung von KI im Forschungsprozess der kontrollierten Kernfusion verfügt. Ich bin davon überzeugt, dass durch die kontinuierliche Forschung der Forscher noch mehr der oben genannten Herausforderungen bewältigt werden können!