Ein neuer künstlicher Intelligenz-Ansatz namens HEAT-ML, entwickelt in einer öffentlich-private Kooperation zwischen Commonwealth Fusion Systems (CFS), dem Princeton Plasma Physics Laboratory (PPPL) und dem Oak Ridge National Laboratory, ermöglicht es, sogenannte „magnetische Schatten“ in einem Fusionsreaktor schneller zu identifizieren – geschützte Bereiche, die vor der extremen Hitze des Plasmas geschützt sind. Diese Schatten entstehen, wenn magnetische Feldlinien das heiße Plasma umleiten und bestimmte Oberflächen der Reaktorwände vor direkter Strahlung bewahren. Die genaue Lokalisierung dieser „Sicherheitszonen“ ist entscheidend, um die Materialkomponenten vor Schäden zu schützen und die Stabilität des Fusionsprozesses zu gewährleisten. HEAT-ML basiert auf einem tiefen neuronalen Netzwerk, das aus etwa 1.000 Simulationsläufen mit dem ursprünglichen Open-Source-Tool HEAT trainiert wurde. Dieses ursprüngliche Programm benötigte bis zu 30 Minuten pro Simulation, um 3D-Karten der magnetischen Schatten – sogenannte „Shadow Masks“ – zu erstellen, was den Entwicklungsprozess erheblich verlangsamte. HEAT-ML verkürzt diese Berechnung auf wenige Millisekunden, indem es die komplexen geometrischen und magnetischen Interaktionen durch maschinelles Lernen vorhersagt, ohne jede einzelne Feldlinie neu zu berechnen. Die Forschung konzentrierte sich auf einen kritischen Bereich des SPARC-Tokamaks – einer Fusionsanlage, die CFS bis 2027 netto Energieerzeugung demonstrieren möchte. Der Fokus lag auf 15 keramischen Platten am Boden des Reaktors, die das größte Maß an Wärmebelastung erfahren werden. Durch die präzise Vorhersage der Schattenregionen können Ingenieure die Materialauswahl und die Geometrie der Komponenten gezielt optimieren, um Schäden zu vermeiden und die Betriebszeit zu verlängern. Michael Churchill, Leiter der Digital Engineering-Abteilung am PPPL und Mitautor der Studie, betont: „Dieses Projekt zeigt, wie man bestehende Simulationen mit künstlicher Intelligenz beschleunigen kann – und damit neue Möglichkeiten für Steuerung und Betriebsplanung eröffnet.“ Doménica Corona Rivera, Erstautorin der Publikation, fügt hinzu: „Der schlimmste Fall wäre ein Ausfall der Operation, weil Komponenten geschmolzen sind. Mit HEAT-ML können wir solche Risiken frühzeitig erkennen und vermeiden.“ Obwohl HEAT-ML derzeit auf die spezifische Geometrie von SPARC beschränkt ist, ist das Ziel der Forscher, die Methode zu verallgemeinern, sodass sie für beliebige Fusionsreaktoren und deren gesamte plasmaberührende Oberflächen anwendbar wird. Die Unterstützung durch das US-amerikanische Energieministerium (DOE) unter den Verträgen DE-AC02-09CH11466 und DE-AC05-00OR22725 sowie durch CFS unterstreicht die strategische Bedeutung dieser Entwicklung für die Zukunft der Fusionsenergie. Industrieexperten sehen in HEAT-ML einen Meilenstein für die Digitalisierung der Fusionsforschung. Die Fähigkeit, komplexe physikalische Prozesse in Echtzeit zu simulieren, könnte die Entwicklungszyklen von Fusionsreaktoren drastisch verkürzen und die Sicherheit erhöhen. CFS, ein führendes Unternehmen im Bereich magnetischer Fusionsenergie, nutzt die Technologie bereits in der Planung von SPARC, das als Prototyp für zukünftige kommerzielle Fusionskraftwerke gilt. Die Integration von KI in die Fusionsforschung markiert einen Wendepunkt – weg von rechenintensiven Simulationen hin zu schnellen, präzisen und proaktiven Entscheidungshilfen.