エネルギー需要の増大と「カーボンニュートラル」目標の期限が迫っているという二重のプレッシャーの下で、低炭素、さらには排出ゼロのクリーンエネルギーの応用が一般的な傾向となっています。近年、炭素排出ゼロの発電の可能性を秘めた核融合が注目を集めており、より多くの学者や専門家が詳細な研究を始めています。

トカマクの核融合実験は目覚ましい成功を収めたにもかかわらず、プラズマ破壊はITERのロングパルス運転を成功させるために対処しなければならない最も重要な問題の1つであり、障害は依然として残っている。その主な理由は、プラズマが容易に「引き裂かれ」、プラズマを抑制するために使用される強い磁場から逃れ、核融合反応が中断されることです。

これまでの研究では、核融合エネルギーを短期間維持することが可能でした。現在、深層強化学習（DRL）技術が非線形・高次元の駆動問題において高い性能を発揮することから、核融合研究への導入も検討され始めています。少し前に、プリンストン大学の研究者らは、血漿の潜在的な裂傷リスクを 300 ミリ秒前に予測し、適切なタイミングで介入できる適応予測および制御用の AI コントローラーを開発しました。関連する結果が「Nature」に掲載されました。

用紙のアドレス:
https://www.nature.com/articles/s41586-024-07024-9
公式アカウントをフォローし、バックグラウンドで「核融合」と返信すると、完全な論文をダウンロードできます。

従来の物理的手法と AI の組み合わせ

以下の図に示すように、研究者は従来の物理ベースの手法と高度な AI テクノロジーを統合して、プラズマ挙動の制御と理解を向上させています。

写真a:診断システム。DIII-D トカマク内の血漿を監視および分析するためにこの研究で使用された主な診断ツールを示します。

これらには、磁場を測定する磁気装置、密度と温度分布を測定するトムソン散乱 (TS)、イオン温度と流量を測定する電荷交換再結合 (CER) 分光法が含まれます。特定の引裂き不安定モード m/n =2/1 は、図ではオレンジ色で強調表示されており、その重要性が強調されています。

写真b:加熱、電流駆動、および制御アクチュエーター。プラズマの加熱、プラズマに電流の駆動、およびその動作の制御を行うシステムをデモンストレーションします。

粒子線を入射する装置、磁場を印加する装置、マイクロ波や高周波による加熱や電流駆動を行う装置などがこれにあたります。その中で、制御アクチュエータは重要な役割を果たし、プラズマを操作して所望の条件を達成するだけでなく、m/n = 2/1 引き裂きモードのような不安定な状況にも対処します。

写真c:引き裂きを回避するための制御システム。引裂きの不安定性を防止または軽減するための制御システムを実証します。

前処理ステップでは、診断システムからの信号がプロファイル再構築と平衡フィッティング (EFIT) を通じて同じ次元と空間解像度の構造化データに処理され、ディープ ニューラル ネットワーク (DNN) モデルに入力されます。

図d:ディープニューラルネットワークに基づくAIコントローラーが全体のビームパワーとプラズマ形状を決定します。

平衡フィッティング (EFIT) アルゴリズムは低レベルの制御タスクを処理し、特定の安全率 (q95) やビーム トルクの維持など、AI の制御コマンドやユーザーが事前に設定した制約を満たすように磁気コイルの電流とビーム出力を調整します。

強化学習アルゴリズム: アンチティア コントロール

核融合炉内のプラズマの状態は次の図に示されています。

図 a の黒い線は、外部加熱 (中性粒子ビームなど) によってプラズマ圧力が上昇し、最終的に安定限界に達することを示しています。この制限を超えると、引裂きの不安定性が引き起こされます。図 b と c は、引き裂き不安定性が一度励起されるとプラズマが急速に破壊され、実際の操作では重大な結果を招く可能性があることを示しています。

研究者らは、ディープニューラルネットワークと強化学習に基づいて、プラズマ状態の変化にリアルタイムで応答し、プラズマの将来の状態を予測し、それに応じて制御動作を調整できるインテリジェントな制御システムを開発した。これにより、トカマク運転は理想的な経路をたどり、引き裂きの不安定性を回避しながら、高い圧力を維持します。

強化学習モデルは、報酬関数を使用してこの障害物回避問題を実装します。将来の引裂き不安定性を予測するための動的モデルには、OpenAI Gym ライブラリが統合されており、トレーニング環境としてコントローラーと対話できるようになります。ティアリング回避コントローラーは、Keras-RL に実装された深い決定論的ポリシー勾配法を使用してトレーニングされます。

強化学習の利点は、許容可能なティアリングを維持しながら、複数のアクチュエータ (ビームと形状) および多目的 (低ティアリングと高 βN) コントローラーを使用して、より高い βN 領域に到達できることです。

DIII-D のティアストップ コントロール: 従来型 vs. AI

従来のフィードバック制御の限界

従来のフィードバック制御方法により、正規化されたプラズマ圧力 (βN = 2.3) を維持する試みが行われました。しかし、実験 No.193273 (下図黒線) では、時間が 2.6 秒に達すると大きな引裂き不安定が発生し、βN が不可逆的に劣化してしまいました。最後に、プラズマ中断は 3.1 秒で発生しました。

AI制御のメリット

実験番号 193280 (下図の青線) では、AI 制御を使用してビームパワーとプラズマ角度を適応的に制御し、予測ティアリング度がしきい値の 0.5 を超えないようにしました。

実験結果は、AI 制御により、推定された引き裂き度を所定の閾値以下に維持できることを示しています。 193273 実験と比較して、より低い引き裂き速度を達成できます。

さまざまな引き裂き閾値での制御戦略

研究者らは、異なる引き裂き閾値の下で制御戦略を比較しました。実験番号 193277 (上の灰色の線)、193280 (上の青い線)、および 193281 (上の赤い線) は、それぞれ 0.2、0.5、および 0.7 の引き裂き閾値に対応します。

k = 0.5 および k = 0.7 の場合、プラズマは所定のプラトー期間が終了するまで良好な安定性を示します。しきい値が高いコントローラー (k = 0.7) は、実験の初期段階 (t < 3.5 秒) で βN をより積極的に増加させる傾向がありますが、これにより、その後のプラズマがより不安定な領域に入る結果になります。

k = 0.2 の下限しきい値コントローラーは実験の初期段階では保守的すぎて、不安定性の可能性を過剰に抑制していました。 t = 5 秒まで、AI は極めて低いティアリング (0.2 未満) を維持していましたが、避けられない不安定性が t = 5.5 秒で突然現れました。

対照的に、中程度の閾値 (k = 0.5) を持つコントローラーは、プラトー期間の終わりまで血漿の安定性を維持することができ、最終的には βN を再び回復します。これは、安定したプラズマを長期間維持するには、最適な閾値が必要であることを示しています。

クリーン エネルギーの聖杯を追い求めるには、依然として多くの課題が残されています

制御可能な核融合の実現は、現代科学と工学における最も挑戦的な目標の 1 つであり、クリーン エネルギーの聖杯と考えられています。人類はいつこの聖杯を勝ち取るのでしょうか、そしてAIはそこでどのような役割を果たすのでしょうか?

この研究は、融合反応を効果的に制御する AI の可能性を実証することに成功しました。さらに、この論文の筆頭著者であるジェミン氏は、ソウル大学原子力工学部で博士号取得を目指して勉強しているときに、強化学習手法を革新的に使用して、KSTAR (韓国超電導トカマク先端研究施設) の新しいプラズマ制御アルゴリズムを設計しました。 。

ますます多くの研究者が核融合に関する徹底的な科学研究を開始し、この聖杯に一歩ずつ近づいていますが、解決すべき技術的障壁はまだ数多くあります。

1. 血漿の安定性:

高温プラズマの安定性を制御することは、制御可能な核融合を達成する上で重要な問題の 1 つです。必要な核融合反応速度を維持するには、プラズマを十分に高い温度と圧力に保つ必要があり、これには非常に正確な磁場制御技術が必要です。

2. 重要な課題:

現在のところ、高温および高中性子束への長期曝露に重大な劣化なしに耐えることができる材料は存在しない。中性子の照射により材料が脆くなり、性能が低下する可能性があり、これは原子炉の長期運転と経済性にとって大きな問題となります。

3. エネルギーの捕捉と変換:

核融合反応からエネルギーを効率的に取得し、それを電気エネルギーに変換する方法も、現在の研究の焦点です。高効率の熱電変換システムは、経済的に実行可能な核融合エネルギーを実現するために不可欠です。

4. 核融合燃料の生成と供給：

トリチウムと重水素は核融合反応を起こす可能性があり、制御された核融合燃料として使用されます。重水素は自然界に比較的豊富に存在しますが、トリチウムは人工的に調製することが非常に困難であるため、中性子捕捉などの方法で原子炉内で生成する必要があり、1キログラムのトリチウムは数億ドルの価値があります。

近年、AlphaFold によるタンパク質構造の効率的な予測から、機械学習に基づくブラック ホール画像のレンダリング、ニューラル ネットワークに基づく気象変化の予測まで、AI は科学研究にあまりにも多くの驚きをもたらしてきました。

現在、プラズマの安定性の問題は AI によって克服されており、制御可能な核融合研究の過程で AI を応用する経験が蓄積されています。研究者の継続的な探求によって、上記の課題もさらに解決されると私は信じています。