A IA de Princeton desbloqueia novos níveis de desempenho em reatores de fusão

Uma equipe de Princeton desenvolveu um aprendizado de máquina método para controlar plasma rajadas de borda em reatores de fusão, alcançando alto desempenho sem instabilidades e reduzindo drasticamente os tempos de computação para ajustes do sistema em tempo real.

Alcançar uma reação de fusão sustentada é um ato de equilíbrio complexo, mas delicado. É necessário que um mar de peças móveis se juntem para manter um plasma de alto desempenho: um que seja denso o suficiente, quente o suficiente e confinado por tempo suficiente para que a fusão ocorra.

No entanto, à medida que os investigadores ultrapassam os limites do desempenho do plasma, deparam-se com novos desafios para manter os plasmas sob controlo, incluindo um que envolve explosões de energia que escapam da borda de um plasma superaquecido. Essas explosões de borda impactam negativamente o desempenho geral e até danificam os componentes voltados para o plasma de um reator ao longo do tempo.

Avanço na supressão de instabilidade de borda

Agora, uma equipe de pesquisadores de fusão liderada por engenheiros de Princeton e do Laboratório de Física de Plasma de Princeton (PPPL) do Departamento de Energia dos EUA implantou com sucesso métodos de aprendizado de máquina para suprimir essas instabilidades prejudiciais nas bordas – sem sacrificar o desempenho do plasma.

Representação de um tokamak. Crédito: Bumper DeJesus, Centro Andlinger de Energia e Meio Ambiente

Com sua abordagem, que otimiza a resposta de supressão do sistema em tempo real, a equipe de pesquisa demonstrou o mais alto desempenho de fusão sem a presença de explosões de borda em duas instalações de fusão diferentes – cada uma com seu próprio conjunto de parâmetros operacionais. Os pesquisadores relataram suas descobertas em 11 de maio em Comunicações da Naturezasublinhando o vasto potencial da aprendizagem automática e de outros sistemas de inteligência artificial para anular rapidamente as instabilidades do plasma.

“Não apenas mostramos que nossa abordagem era capaz de manter um plasma de alto desempenho sem instabilidades, mas também mostramos que ela pode funcionar em duas instalações diferentes”, disse o líder da pesquisa Egemen Kolemen, professor associado de engenharia mecânica e aeroespacial e do Andlinger Centro de Energia e Meio Ambiente. “Demonstramos que nossa abordagem não é apenas eficaz, mas também versátil.”

Enfrentando os desafios do modo de alto confinamento

Os pesquisadores há muito experimentam várias maneiras de operar reatores de fusão para atingir as condições necessárias para a fusão. Entre as abordagens mais promissoras está a operação de um reator em modo de alto confinamento, um regime caracterizado pela formação de um gradiente de pressão acentuado na borda do plasma que oferece maior confinamento do plasma.

No entanto, o modo de alto confinamento tem historicamente acompanhado instabilidades nos limites do plasma, um desafio que exigiu que os investigadores de fusão encontrassem soluções alternativas criativas.

Uma solução envolve o uso de bobinas magnéticas que cercam um reator de fusão para aplicar campos magnéticos à borda do plasma, quebrando as estruturas que poderiam, de outra forma, evoluir para uma instabilidade completa da borda. No entanto, esta solução é imperfeita: embora tenha sucesso na estabilização do plasma, a aplicação destas perturbações magnéticas normalmente leva a um desempenho geral inferior.

“Temos uma maneira de controlar essas instabilidades, mas, por sua vez, tivemos que sacrificar o desempenho, que é uma das principais motivações para operar no modo de alto confinamento”, disse Kolemen, que também é um físico pesquisador da equipe da PPPL.

A perda de desempenho se deve em parte à dificuldade de otimizar a forma e a amplitude das perturbações magnéticas aplicadas, que por sua vez decorre da intensidade computacional das abordagens existentes de otimização baseadas na física. Esses métodos convencionais envolvem um conjunto de equações complexas e podem levar dezenas de segundos para otimizar um único ponto no tempo – longe do ideal quando o comportamento do plasma pode mudar em meros milissegundos. Consequentemente, os pesquisadores de fusão tiveram que predefinir a forma e a amplitude das perturbações magnéticas antes de cada operação de fusão, perdendo a capacidade de fazer ajustes em tempo real.

“No passado, tudo tinha que ser pré-programado”, disse o co-primeiro autor SangKyeun Kim, cientista pesquisador do PPPL e ex-pesquisador de pós-doutorado no grupo de Kolemen. “Essa limitação tornou difícil otimizar verdadeiramente o sistema, porque significa que os parâmetros não podem ser alterados em tempo real, dependendo de como as condições do plasma se desenrolam.”

Melhorando o desempenho do Fusion com IA

A abordagem de aprendizado de máquina da equipe liderada por Princeton reduz o tempo de computação de dezenas de segundos para a escala de milissegundos, abrindo a porta para a otimização em tempo real. O modelo de aprendizado de máquina, que é um substituto mais eficiente para os modelos existentes baseados na física, pode monitorar o status do plasma de um milissegundo para o outro e alterar a amplitude e a forma das perturbações magnéticas conforme necessário. Isso permite que o controlador encontre um equilíbrio entre a supressão de explosão de borda e o alto desempenho de fusão, sem sacrificar um pelo outro.

“Com nosso modelo substituto de aprendizado de máquina, reduzimos em ordens de grandeza o tempo de cálculo de um código que queríamos usar”, disse o coautor Ricardo Shousha, pesquisador de pós-doutorado no PPPL e ex-aluno de pós-graduação do grupo de Kolemen.

Como a sua abordagem se baseia, em última análise, na física, os investigadores disseram que seria simples aplicá-la a diferentes dispositivos de fusão em todo o mundo. Em seu artigo, por exemplo, eles demonstraram o sucesso de sua abordagem tanto no tokamak KSTAR na Coreia do Sul quanto no tokamak DIII-D em San Diego. Em ambas as instalações, cada uma com um conjunto exclusivo de bobinas magnéticas, o método alcançou forte confinamento e alto desempenho de fusão sem explosões prejudiciais nas bordas do plasma.

“Algumas abordagens de aprendizado de máquina foram criticadas por serem exclusivamente baseadas em dados, o que significa que são tão boas quanto a quantidade de dados de qualidade nos quais são treinadas”, disse Shousha. “Mas como o nosso modelo é um substituto de um código de física, e os princípios da física se aplicam igualmente em todos os lugares, é mais fácil extrapolar o nosso trabalho para outros contextos.”

Perspectivas Futuras para Sistemas de Controle de Fusão

A equipa já está a trabalhar para refinar o seu modelo para ser compatível com outros dispositivos de fusão, incluindo futuros reatores planeados, como o ITER, que está atualmente em construção.

Uma área ativa de trabalho no grupo de Kolemen envolve o aprimoramento das capacidades preditivas do seu modelo. Por exemplo, o modelo atual ainda depende de encontrar várias explosões de borda ao longo do processo de otimização antes de funcionar de forma eficaz, representando riscos indesejados para futuros reatores. Se, em vez disso, os pesquisadores puderem melhorar a capacidade do modelo de reconhecer os precursores dessas instabilidades prejudiciais, poderá ser possível otimizar o sistema sem encontrar uma única explosão de borda.

Kolemen disse que o trabalho atual é mais um exemplo do potencial da IA ​​para superar gargalos de longa data no desenvolvimento da energia de fusão como um recurso de energia limpa. Anteriormente, pesquisadores liderados por Kolemen implantaram com sucesso um controlador de IA separado para prever e evitar outro tipo de instabilidade do plasma em tempo real no tokamak DIII-D.

“Para muitos dos desafios que enfrentamos com a fusão, chegamos ao ponto em que sabemos como abordar uma solução, mas fomos limitados na nossa capacidade de implementar essas soluções pela complexidade computacional das nossas ferramentas tradicionais”, disse Kolemen. . “Essas abordagens de aprendizado de máquina desbloquearam novas maneiras de abordar esses desafios de fusão bem conhecidos.”

Referência: “Maior desempenho de fusão sem explosões de energia de borda prejudiciais em tokamak” por SK Kim, R. Shousha, SM Yang, Q. Hu, SH Hahn, A. Jalalvand, J.-K. Park, NC Logan, AO Nelson, Y.-S. Na, R. Nazikian, R. Wilcox, R. Hong, T. Rhodes, C. Paz-Soldan, YM Jeon, MW Kim, WH Ko, JH Lee, A. Battey, G. Yu, A. Bortolon, J. Snipes e E. Kolemen, 11 de maio de 2024, Comunicações da Natureza.
DOI: 10.1038/s41467-024-48415-w

O papel, “O mais alto desempenho de fusão sem explosões prejudiciais de energia de borda no tokamak”, foi publicado em 11 de maio na Nature Communications. Além de Kolemen, Kim e Shousha, os coautores incluem SM Yang, Q. Hu, A. Bortolon e J. Snipes do PPPL; A. Jalalvand de Universidade de Princeton; SH Han, YM Jeon, MW Kim, WH Ko e JH Lee do Instituto Coreano de Energia de Fusão; J.-K. Park e Y.-S. Na da Universidade Nacional de Seul; NC Logan, AO Nelson, C. Paz-Soldan e A. Battey de Universidade Columbia; R. Nazikian da General Atomics; R. Wilcox do Laboratório Nacional de Oak Ridge; R. Hong e T. Rhodes da Universidade da Califórnia, Los Angeles; e G. Yu, da Universidade da Califórnia, Davis. O trabalho foi apoiado pelo Departamento de Energia dos EUA, pela Fundação Nacional de Pesquisa da Coreia e pelo Instituto Coreano de Energia de Fusão.