可控核聚变新里程碑：AI成功预测等离子体撕裂

可控核聚变有了新突破。

极品时刻表改名了吗

长期以来，核聚变一直被一个“幽灵”——等离子体不稳定性所困扰。

最近，普林斯顿大学研究小组利用AI提前300毫秒预测了核聚变等离子体的不稳定状态。这个时间足以约束磁场调整以应对等离子体的逃逸！

从此，科学家更有可能防止可控核聚变的中断，并产生足够能量所需的高功率核聚变反应。

这一重大突破，成果已登上自然。

首先，人工智能破解了可控核聚变的主要问题

几十年来，科学家们一直试图在地球上实现核聚变。

因为人类社会未来面临的能源枯竭问题很可能通过可控核聚变来解决。它有望为我们提供无尽的清洁能源，甚至彻底改变我们应对气候危机的方式。

聚变可以通过迫使两个互斥的原子融合在一起来实现。

核聚变的过程正好与广泛使用的核裂变过程相反，核裂变过程依赖于分裂原子。扬天m5700v

当两个原子（通常是轻原子，如氢原子）合并成一个更重的原子时，就会发生聚变，释放出巨大的能量。

这个过程是太阳的能量来源，并间接支持地球上的生命。然而，融合两个原子非常困难，因为需要巨大的压力和能量来克服它们之间的相互排斥。

太阳之所以能实现聚变反应，取决于其巨大的引力和核心处极高的压力。为了在地球上模拟这一过程，科学家们使用了极热的等离子体和强大的磁场。

在托卡马克（形状像甜甜圈）中，磁场将试图控制温度超过1亿摄氏度的等离子体，这比太阳中心的温度还要高。

然而，在核聚变过程中，专家往往只能维持很短时间的聚变能量，而且过程中存在许多不稳定性。

这是因为，在实现核聚变能源的过程中，最关键的步骤之一是输入氢变体燃料，在托卡马克中加热，并生成类似“汤”的等离子体。

但是等离子体很难控制-它很容易“撕裂”并逃离用于抑制它的强大磁场。

幸运的是，普林斯顿大学和普林斯顿等离子体物理实验室的研究人员最近在《自然》杂志上报告说，他们找到了一种方法，通过使用AI来预测这种潜在的不稳定性，并防止实验实时中断。

这个团队由工程师、物理学家和数据科学家组成。

在圣地亚哥DIII-D国家聚变设施进行的实验中，研究团队发现他们的AI控制系统可以提前300毫秒预测等离子体的潜在撕裂。

如果没有这种干预，聚变反应很可能会突然中断！

研究人员使用AI来预测和避免撕裂不稳定性的形成（左），这可能会迅速导致等离子体破坏和聚变反应终止。

至此，长期阻碍核聚变发展的等离子体不稳定性问题终于被人类攻克。

这一发现也大大增强了科学家们的信心。

普林斯顿大学机械与航空空航空航天工程系教授、研究报告的作者之一Egemen Kolemen向我们解释了为什么这一发现如此重要。

二是AI成功实现了等离子体状态控制策略。

AI是如何实现的？

研究人员提出的模型表明，它可以仅通过分析过去的实验数据来预测“撕裂模式不稳定性”（即潜在的等离子体不稳定性），而不是依赖于物理模型。

而且，它可以提前300毫秒进行预测！

对于人类来说，这段时间可能只是一眨眼的时间，但对于AI控制器来说，它足以调整其操作参数以避免等离子体磁场的内部撕裂，从而保持其稳定状态并防止反应过早结束。

在这个过程中，AI成功地在实时反应堆中实现了稳定和高能的等离子体状态控制策略。

这种方法比原来的方法更有活力。

韩国* *大学物理学助理教授Jaemin Seo解释说:“以前的研究通常专注于抑制或减轻等离子体中这些撕裂不稳定性的影响。但我们的方法可以在它们形成之前预测它们，并避免这些不稳定性。”

1.AI+等离子物理=？

研究人员会想到AI，因为撕裂模式不稳定性发生得太突然太快了！

要在几毫秒内做出反应，快速处理新数据并做出响应，只有AI才能做到。

然而，开发一个有效的AI控制系统并不容易。

更何况在托卡马克环境下，实验时间极其宝贵，风险极高。

根据该论文的合著者Azarakhsh Jalalvand的说法，教人工智能算法控制托卡马克中的聚变反应就像教人驾驶飞机一样。

你不仅应该给AI钥匙，让它自己探索，还应该让它在复杂的飞行模拟器中反复练习，直到它掌握了足够的技能。

2.深度神经网络

因此，普林斯顿团队利用DIII-D托卡马克过去实验的数据构建了一个深度神经网络，可以根据实时等离子体特性预测未来撕裂模不稳定性的概率。

利用这种神经网络，研究人员训练了一种强化学习算法。

这个算法就像一个正在学习的飞行员。通过在模拟环境中反复试验，他学会了控制等离子体的各种策略，并发现哪些策略有效，哪些策略无效。

Jalalvand解释说，他们没有向强化学习模型传授聚变反应的复杂物理知识，而是告诉它，你的目标是保持高功率反应，避免撕裂模式不稳定，并指出可以调整的参数。

在无数次模拟聚变实验中，该模型试图找到在避免不稳定的同时保持高功率水平的方法。

随着时间的推移，算法本身学会了实现高功率响应的最佳路径，同时避免了不稳定性！

合著者SangKyeun Kim说:“我们可以看到模型意图背后的逻辑。有时模型想要改变得太快，因此我们需要使模型的行为更加平滑和稳定。作为人类，我们需要在AI的意图和托卡马克的实际容忍度之间找到平衡。”

当研究人员对AI控制器的能力有足够的信心时，他们在D-III D托卡马克的实际聚变实验中对其进行了测试，并观察了控制器如何实时调整某些参数以避免不稳定性，包括改变等离子体形状和输入反应的束流强度。

结果表明，AI可以成功预测不稳定性！

通过这种方式，研究人员不再被动，也不需要等到等离子体失控已经发生后再采取措施。

第三，控制强化学习系统的设计

根据论文的介绍，研究人员设计的AI控制器可以根据监测到的等离子体状态自动调整控制器的工作，以确保等离子体的稳定性并尽可能增加其压力。

图1:系统设计框架

图1a和1b:实验中的典型血浆样品，以及研究中选择的诊断工具和控制设备。其中，在q = 2的通量面上，可能出现2/1模撕裂不稳定性现象。

图1c:能够处理测量信号并产生相应致动器指令的控制系统架构。

图1d:基于DNN的AI控制器可以根据训练的策略确定总体束功率和等离子体形状的高级控制命令。等离子体控制系统（PCS）负责计算磁线圈的控制信号和每个光束的功率，以确保它不仅满足AI控制器设置的高级控制要求，而且符合用户设置的限制。

1.系统设计

为了高效地产生聚变能，关键是保持等离子体的高压，避免可能导致设备突然停止运行的不稳定现象。

然而，当等离子体被中性束等加热以增加其压力时，将遇到阈值（图2a中的黑线）。

如果超过这个阈值，等离子体在撕裂时将是不稳定的，这可能导致等离子体很快被击穿（图2b和2c）。

值得注意的是，这种稳定性阈值会随着等离子体状态的变化而变化，在某些情况下，降低压力也可能导致不稳定性。

如图2中的蓝线所示，通过根据等离子体状态调整控制器的操作，可以追求更高的等离子体压力而不会导致不稳定。

图2:2:AI防撕裂系统对托卡马克的控制和等离子体的响应。

事实上，我们可以将其理解为“避障问题”，其中障碍是迫使实验终止的风险因素。

具体到核聚变本身，就是控制托卡马克装置，使等离子体沿着保持高压且不超过稳定极限的狭窄路径运行。

为了实现这一目标，研究人员通过强化学习方法训练了一个演员模型，并设计了一个奖励函数R来衡量在可接受的撕裂风险下等离子体压力可以达到多高。

这里β_N代表血浆压力的标准化值，t代表撕裂风险，k是人为设定的安全阈值。更具体地说，β_N和t是AI控制器采取行动后25毫秒的预测结果。

根据这个预测，如果撕裂风险低于我们设定的阈值，演员模型将根据等离子体压力获得正奖励；否则，你会得到一个负奖励。

为了根据等式（1）获得更高的奖励，行动者首先需要通过其控制动作来提高β_N的值。

然而，β_N的增加可能会导致血浆变得不稳定，最终使眼泪指数（t）超过安全阈值（k），从而导致奖励的减少。特别是当t超过k时，奖励会急剧减少。

因此，控制智能将优先考虑将t保持在安全阈值k以下，而不是简单地追求提高β _ n。

通过充分的强化学习和训练，Actor最终可以找到一种平衡策略，既可以追求血浆的高压，又可以确保撕裂指数保持在安全范围内。

这种策略允许托卡马克在放电过程中沿着精确规划的路径运行，如图2d所示。

图2:2:AI防撕裂系统对托卡马克的控制和等离子体的响应。

由于撕裂的发生很大程度上取决于其空信息和梯度，因此将观测变量设置为由磁通量坐标映射的一维动态和磁场剖面。

具体来说，观察了电子密度、电子温度、离子旋转、安全系数和等离子体压力的曲线。

2.实验结果

图3b中的黑线显示了由于撕裂不稳定性导致的等离子体中断的示例。

在这种放电中，传统的反馈控制用于保持特定的参数水平（β_N = 2.3）。然而，在2.6秒时，出现了严重的撕裂不稳定性，导致参数急剧下降，并最终在3.1秒时触发了等离子体中断。

图3b中的蓝线示出了在AI控制下的束功率和等离子体形状。图3c和3d分别示出了在具体控制过程中对等离子体形状和束功率的调整。

在这次放电过程中，AI控制器根据等离子体的实时数据制定出束流功率和形状的调整指令，并由等离子体控制系统（PCS）转化为具体操作，例如调整磁线圈的电流和精确控制八束流的功率。

图3e中的蓝线是AI控制放电的后续估计。可以看出，整个过程中撕裂倾向被有效控制在预定阈值以下，完全符合预期。

该实验不仅证明了AI控制可以比传统控制方法更有效地降低撕裂风险，而且与参考实验相比，显示了其在整体性能上的改善，体现了AI自适应控制的优势。

图3:基于AI能量的泪液避免实验。

图4a示出了具有不同阈值的控制器的三个实验，阈值分别为0.2、0.5和0.7。

当阈值设置为0.5和0.7时，等离子体可以稳定地持续到实验结束。

图4b至4d显示了三次实验后的撕裂趋势。图中的背景颜色表示每个时间点不同光束功率下的预测撕裂倾向，实际使用的光束功率用黑线标记，虚线表示不同阈值下的撕裂倾向水平。

可以看出，不同的阈值设置会使AI控制表现出不同的行为特征。

图4b的分析表明，撕裂预测模型可以在不稳定性发生前300毫秒给出预警，并且控制器还试图进一步降低光束功率。

在图4c中，k = 0.5的AI控制器通过预先采取措施来应对不稳定的警告，从而主动避免触及阈值。

因为奖励机制是根据控制者行动后25毫秒的撕裂倾向计算的，所以经过训练的控制者会在警告发生前几十毫秒采取行动。

图4:不同阈值设置的对比实验

第四，照亮通往未来的道路

研究人员指出，尽管这项工作成功证明了AI在有效控制聚变反应方面的潜力，但这只是推动聚变研究领域的第一步。

首先，他们计划在DIII-D上收集更多证据来证明AI控制器的实际效果，然后将其应用范围扩大到其他托卡马克装置。

一位Seo表示:“我们有足够的证据表明这种控制器在DIII-D上表现良好，但我们需要更多的数据来证明它可以应对许多不同的情况。“我们的目标是开发更通用的解决方案。”

第二个研究方向是扩展这种算法，使AI控制器可以同时处理更多的不稳定问题。

科勒曼团队的前研究生、现博士后研究员、《PPPL》的合著者里卡多·肖沙解释说:“正如你所想象的那样，有一个全面的奖励函数，它可以调整多个参数，同时控制多个不稳定性。”

无知熊猫在在公共河里放食人鱼

在开发更好的AI控制器来控制聚变反应的过程中，研究人员也可能对等离子体的底层物理有更深入的了解。

通过分析AI控制器在维持等离子体稳定性方面所做的决策，我们可以发现它们往往与传统方法大相径庭。

这表明AI不仅可以成为控制核聚变反应的有效工具，还可以成为一种新的教学资源，帮助我们从不同角度理解和探索聚变科学。

动词 （verb的缩写）团队介绍

雅明塞奥

Jaemin Seo是一名博士后研究人员，他专注于将机器学习技术应用于KSTAR和DIII-D项目中的等离子体预测和控制。

Jaemin在首尔国立大学获得核工程博士学位。在此期间，他创新性地使用强化学习方法为KSTAR设计了一种新的等离子体控制算法。

目前，他的研究重点已转向探索DIII-D项目中撕裂模式的预测和控制技术。

此外，Jaemin还在研究一种快速神经网络模型，旨在实时重建等离子体的动态平衡状态，这对于提高控制算法的效率和精度具有重要意义。

埃格门·科勒曼

通讯员Egemen Kolemen是普林斯顿大学机械和航空航天工程副教授，在安德林格能源和环境中心以及普林斯顿等离子体物理实验室（PPPL）任职。

作为可持续能源项目的负责人，他因在聚变工程领域的杰出贡献而获得大卫·罗斯优秀奖，并被选为ITER科学家研究员。

科勒曼教授的研究致力于将工程技术与物理分析相结合，旨在开发具有高经济效益的聚变反应堆。目前，他正带领团队在KSTAR、NSTX-U和DIII-D项目中研究机器学习、实时监控和控制。

参考资料:

https://edition . CNN . com/2024/02/08/climate/nuclear-fusion-energy-milestone-climate/index . html

https://engineering . Princeton . edu/news/2024/02/21/engineers-use-ai-wrangle-fusion-power-grid

未经允许不得转载：科技让生活更美好 » 可控核聚变新里程碑：AI成功预测等离子体撕裂