Lograr una reacción de fusión sostenida es un acto de equilibrio delicado que requiere unir un mar de partes móviles para mantener un plasma de alto rendimiento: uno que sea lo suficientemente denso, lo suficientemente caliente y lo suficientemente caliente como para ser limitado para sufrir una fusión. mucho tiempo.
Sin embargo, a medida que los investigadores superan los límites de la eficiencia del plasma, se enfrentan a nuevos desafíos para controlar el plasma, incluida la explosión de energía desde el borde de un plasma sobrecalentado. Estas explosiones de bordes tienen un impacto negativo en el rendimiento general y, con el tiempo, pueden dañar los componentes orientados al plasma del reactor.
Ahora, un equipo de investigadores de fusión dirigido por ingenieros de Princeton y el Laboratorio de Física del Plasma de Princeton (PPPL) del Departamento de Energía de EE. UU. ha desarrollado métodos de aprendizaje automático para suprimir estas inestabilidades dañinas de los bordes sin sacrificar la eficiencia del plasma.
Con su enfoque, que optimiza la respuesta de supresión del sistema en tiempo real, el equipo de investigación logró el mayor rendimiento de fusión sin la presencia de explosión de borde en dos instalaciones de fusión diferentes, cada una con sus propios parámetros operativos con un conjunto de . Los investigadores informaron de sus hallazgos el 11 de mayo en Nature Communications, destacando el enorme potencial del aprendizaje automático y otros sistemas de inteligencia artificial para deducir rápidamente las inestabilidades del plasma.
“No sólo demostramos que nuestro enfoque es capaz de sostener un plasma de alto rendimiento sin inestabilidad”, dijo Andlinger, profesor asociado de ingeniería mecánica y aeroespacial, “sino que también demostramos que puede operar en dos instalaciones diferentes”. Centro de Energía y Medio Ambiente. “Demostramos que nuestro enfoque no sólo es eficaz, sino que también es versátil”.
Altos costos de encarcelamiento
Los investigadores llevan mucho tiempo experimentando con diferentes formas de operar reactores de fusión para lograr las condiciones necesarias para la fusión. Uno de los enfoques más prometedores implica operar un reactor en modo de alto confinamiento, un sistema caracterizado por la formación de un gradiente de presión pronunciado en el borde del plasma que ofrece un mejor confinamiento del plasma.
Sin embargo, históricamente el modo de alto confinamiento ha ido de la mano de la inestabilidad en el borde del plasma, un desafío que requiere que los investigadores de la fusión encuentren soluciones creativas.
Una solución implica el uso de bobinas magnéticas que rodean el reactor de fusión para aplicar campos magnéticos al borde del plasma, rompiendo estructuras que de otro modo podrían convertirse en una inestabilidad total del borde. Sin embargo, esta solución es incompleta: incluso si se consigue estabilizar el plasma, la aplicación de estas limitaciones magnéticas suele conducir a una reducción de la eficiencia general.
“Tenemos una manera de controlar estas inestabilidades, pero como resultado, tenemos que sacrificar el rendimiento, que es una motivación principal para operar en modo de alta prioridad”, dijo Coleman. Físico investigador de plantilla en PPPL.
La pérdida de rendimiento se debe en parte a la dificultad para optimizar la forma y las dimensiones de las restricciones magnéticas aplicadas, que a su vez se deriva de la intensidad computacional de los métodos de optimización existentes basados en la física. Estos métodos tradicionales implican un conjunto complejo de ecuaciones y pueden tomar decenas de segundos para optimizar un solo punto en el tiempo, lo que no es ideal cuando el comportamiento del plasma puede cambiar en apenas milisegundos. Como resultado, los investigadores de fusión tuvieron que preestablecer la forma y amplitud de la perturbación magnética antes de cada ejecución de fusión, perdiendo la capacidad de realizar ajustes en tiempo real.
“En el pasado, todo tenía que programarse de antemano”, dijo el coautor principal SangKyeun Kim, científico investigador del PPPL y ex investigador postdoctoral en el grupo de Coleman. “Esta limitación dificulta la optimización real del sistema, porque significa que los parámetros no se pueden cambiar en tiempo real dependiendo de cómo se desarrollan las condiciones del plasma”.
Aumento de la eficiencia al reducir el tiempo de cálculo
El enfoque de aprendizaje automático del equipo dirigido por Princeton reduce los tiempos de cálculo de decenas de segundos a la escala de milisegundos, abriendo la puerta a la optimización en tiempo real. Un modelo de aprendizaje automático, un sustituto más eficiente de los modelos existentes basados en la física, puede monitorear el estado del plasma de un milisegundo al siguiente y cambiar la amplitud y forma de la perturbación magnética según sea necesario. Esto permite al controlador lograr un equilibrio entre la supresión de ráfagas de bordes y un alto rendimiento de fusión, sin sacrificar uno por el otro.
“Con nuestro modelo sustituto de aprendizaje automático, reducimos el tiempo de cálculo de un código que queríamos utilizar a escala”, dijo el coautor Ricardo Shusha, investigador postdoctoral en PPPL y ex estudiante de posgrado en el grupo de Coleman.
Debido a que su enfoque se basa en última instancia en la física, los investigadores dijeron que sería sencillo aplicarlo a varios dispositivos de fusión en todo el mundo. En su artículo, por ejemplo, demostraron el éxito de su enfoque tanto en el tokamak KSTAR en Corea del Sur como en el tokamak DIII-D en San Diego. En ambas instalaciones, cada una con un conjunto único de bobinas magnéticas, el método logró un fuerte confinamiento y una alta eficiencia de fusión sin una explosión efectiva del borde del plasma.
“Algunos métodos de aprendizaje automático han sido criticados por estar basados puramente en datos, lo que significa que son tan buenos como los datos estándar con los que se entrenan”, dijo Shusha. “Pero debido a que nuestro modelo es un sustituto de las leyes de la física, y los principios de la física se aplican por igual en todas partes, es fácil extender nuestro trabajo a otros contextos”.
El equipo ya está trabajando para adaptar su modelo a otros dispositivos de fusión, incluidos futuros reactores planificados como el ITER, que actualmente está en construcción.
Un área de trabajo activa en el grupo de Coleman implica mejorar las capacidades predictivas de sus modelos. Por ejemplo, el modelo actual todavía depende de experimentar varias explosiones de bordes durante el proceso de reforma antes de operar de manera efectiva, lo que plantea riesgos no deseados para futuros reactores. Si, en cambio, los investigadores pueden mejorar la capacidad del modelo para reconocer los precursores de estas inestabilidades dañinas, es posible mejorar el sistema sin experimentar una sola ruptura de borde.
Coleman dijo que el trabajo actual es otro ejemplo de la capacidad de la IA para superar barreras de larga data para desarrollar la energía de fusión como fuente de energía limpia. Anteriormente, los investigadores dirigidos por Coleman implementaron con éxito un controlador de IA independiente para predecir y evitar otro tipo de inestabilidad del plasma en tiempo real en el tokamak DIII-D.
“En muchos de los desafíos que hemos enfrentado con Fusion, hemos llegado al punto en el que sabemos cómo llegar a una solución, pero la complejidad computacional de nuestras herramientas tradicionales dificulta la implementación de esas soluciones. Nuestra capacidad para hacerlo es limitado”, afirmó Coleman. . “Estos enfoques de aprendizaje automático han abierto nuevas formas de abordar estos conocidos desafíos de fusión”.
