Foto: Kyle Palmer / PPPL Communications Department

AI a kontrola fúzní plazmy

Vědci z Princetonské univerzity vyvinuli systém umělé inteligence, který dokáže monitorovat a řídit fúzní plazmu během milisekund, reagující mnohem rychleji než lidský operátor. V jednom experimentu předpověděl nebezpečnou nestabilitu asi 200 milisekund před jejím vznikem a upravil plazmu, aby jí zabránil.

Autor původního článku: redakce

V některých fúzních systémech se částice horké jako jádro slunce mohou stát nestabilními během několika tisícin sekundy. To je příliš rychlé na to, aby lidský operátor mohl reagovat. Výzkumníci z Princetonské laboratoře fyziky plazmatu (PPPL) a Princetonské univerzity vyvinuli nový softwarový rámec, který využívá umělou inteligenci (AI) k těmto rychlým rozhodnutím při zachování přísných bezpečnostních kontrol a ponechání lidí zodpovědných za nastavení cílů systému.

Rámec PACMAN

Tento rámec se nazývá PACMAN (zkratka pro Prediction And Control using MAchiNe learning). Výzkumníci jej úspěšně testovali na reálném fúzním systému v pěti samostatných experimentech. Jeho design a počáteční výsledky jsou popsány v novém článku publikovaném v časopise Nuclear Fusion.

Fúze má potenciál poskytovat prakticky neomezené množství elektřiny. Výzkumníci zkoumají několik přístupů, jak učinit fúzi praktickou na Zemi, včetně zařízení známých jako tokamaky. Tato zařízení spoléhají na silná magnetická pole k udržení plazmy: elektricky nabitého plynu často nazývaného čtvrtý stav hmoty. Aby fúze úspěšně pokračovala, musí plazma zůstat horká, hustá a stabilní. To vyžaduje časté úpravy systémů, jako je topné zařízení tokamaku, magnety a vstřikovače plynu.

Výzvy a řešení

Předpovídání chování plazmy je dalším velkým úkolem. Pokročilé počítačové simulace mohou trvat dny nebo dokonce měsíce. Zatímco tyto nástroje jsou cenné pro plánování budoucích experimentů, jsou příliš pomalé na to, aby vedly experiment v reálném čase, když celý test může trvat jen několik minut. „To je skvělé pro přípravu na další experiment za rok, ale pro řízení potřebujeme modely, které se rozhodují v daném okamžiku,“ řekl Hiro Farre Kaga, spoluautor a doktorand v Princetonském programu fyziky plazmatu.

Strojové učení již ukázalo značný potenciál pro řízení fúzní plazmy. Mnoho předchozích snah však bylo vyvinuto jednotlivě, bez společného rámce, který by usnadnil spolupráci různých modelů. Fúzní systémy vyžadují více modelů, protože různé části stroje a plazmy musí být monitorovány a řízeny současně. PACMAN byl navržen tak, aby poskytl tuto sdílenou strukturu.

„Vyvinuli jsme tento rámec tak, aby modely mohly komunikovat, výstupy z těchto modelů mohly být sdíleny a mohli jsme dělat vzrušující fyziku v jednom integrovaném systému,“ řekl Andy Rothstein, spoluautor a doktorand na Princetonské univerzitě.

Testování a výsledky

Systém kombinuje několik modelů strojového učení v opakující se kontrolní smyčce, která funguje mnohem rychleji, než by mohl člověk. „Opravdu soustředěný lidský operátor může reagovat v řádu sekund,“ řekl Rothstein. „Celý rámec PACMAN obvykle běží asi za 20 milisekund, a to neběží jednou. Běží znovu a znovu. Může vidět malé věci, které se dějí v plazmě, a přizpůsobit se způsobem, který by člověk nikdy nedokázal.“

PACMAN funguje podobně jako montážní linka se čtyřmi stanicemi. Začíná sběrem živých měření z tokamaku, včetně teploty, hustoty a magnetických signálů. Systém pak kontroluje tato měření na chyby a kombinuje je do jednoho balíčku. Modely AI pak vybírají potřebná měření a používají je k odhadu toho, co plazma aktuálně dělá nebo co pravděpodobně udělá dál.

Vědci demonstrovali flexibilitu PACMANu v pěti experimentech pomocí tokamaku DIII-D National Fusion Facility v San Diegu. Během těchto testů PACMAN: Umožnil modelu AI trénovanému metodou pokus-omyl známou jako posilovací učení převzít úplnou kontrolu nad topnými systémy. Předpověděl náhlé výbuchy energie z okraje plazmy. Detekoval a kontroloval vlny v plazmě poháněné rychlými částicemi. Upravil hustotu a rotaci plazmy na cíle stanovené výzkumníky. Předpověděl nestabilitu zvanou trhací mód a zastavil ji před jejím vznikem.

Budoucnost a aplikace

Trhací mód experiment ukázal jednu z nejjasnějších potenciálních výhod systému. Konvenční kontrolory nemohou tuto nestabilitu identifikovat, dokud již nezačala. „Pak se ji snaží potlačit, což může přijít s velkým zhoršením výkonu,“ řekl Farre Kaga. „V jednom z experimentů, které prezentujeme, model strojového učení předpovídá trhací mód asi 200 milisekund předem, takže plazma může být změněna, aby se mu zabránilo.“

PACMAN byl také schopen koordinovat všech šest gyrotronů DIII-D (systémy, které ohřívají plazmu pomocí silných mikrovlnných paprsků) současně. Aby splnil složité cíle vybrané předem výzkumníky, rámec upravil výkon gyrotronů a zároveň v reálném čase přemístil jejich zrcadla.

Rothstein uvedl, že jeden z nejpřekvapivějších výsledků byl, jak rychle PACMAN umožnil zavést další modely AI. Vývoj rámce a instalace jeho prvního modelu vyžadovaly měsíce práce. „Pak jsme šli vložit druhý model a trvalo to pár dní. Testování bylo snazší a bylo mnohem méně chyb,“ řekl.

Výzkumníci zdůrazňují, že rámec není určen k odstranění lidí z fúzních experimentů. PACMAN aplikuje hardwarové bezpečnostní limity bez ohledu na to, co doporučuje model AI, a fyzici zkoumají výsledky po každém experimentu, aby mohli vylepšit kontrolory před dalším testem.

Modulární struktura PACMANu by mohla být užitečná i mimo DIII-D. Jeho vývojáři věří, že rámec by mohl být přizpůsoben pro tokamaky s různými tvary, velikostmi a nástroji, včetně fúzních strojů, které ještě nebyly navrženy.