La danse complexe des atomes fusionnant et libérant de l’énergie fascine les scientifiques depuis des décennies. Aujourd'hui, l'ingéniosité humaine et l'intelligence artificielle s'associent au Laboratoire de physique des plasmas de Princeton (PPPL) du Département américain de l'énergie (DOE) pour résoudre l'un des problèmes les plus urgents de l'humanité :générer une énergie propre et fiable à partir de la fusion du plasma.
Contrairement au code informatique traditionnel, l'apprentissage automatique, un type de logiciel artificiellement intelligent, n'est pas simplement une liste d'instructions. L'apprentissage automatique est un logiciel capable d'analyser les données, de déduire des relations entre les fonctionnalités, d'apprendre de ces nouvelles connaissances et de s'adapter. Les chercheurs du PPPL pensent que cette capacité d’apprentissage et d’adaptation pourrait améliorer leur contrôle sur les réactions de fusion de diverses manières. Cela inclut le perfectionnement de la conception des cuves entourant le plasma très chaud, l'optimisation des méthodes de chauffage et le maintien d'un contrôle stable de la réaction pendant des périodes de plus en plus longues.
Les recherches du Laboratoire en matière d'intelligence artificielle donnent déjà des résultats significatifs. Dans un nouvel article publié dans Nature Communications , les chercheurs du PPPL expliquent comment ils ont utilisé l'apprentissage automatique pour éviter les perturbations magnétiques, ou perturbations, qui déstabilisent le plasma de fusion.
"Les résultats sont particulièrement impressionnants car nous avons pu les obtenir sur deux tokamaks différents en utilisant le même code", a déclaré SangKyeun Kim, physicien de recherche au PPPL, auteur principal de l'article. Un tokamak est un appareil en forme de beignet qui utilise des champs magnétiques pour contenir un plasma.
"Il existe des instabilités dans le plasma qui peuvent entraîner de graves dommages au dispositif de fusion. Nous ne pouvons pas les avoir dans un récipient de fusion commercial. Nos travaux font progresser le domaine et montrent que l'intelligence artificielle pourrait jouer un rôle important dans la gestion des réactions de fusion à l'avenir. , évitant les instabilités tout en permettant au plasma de générer autant d'énergie de fusion que possible", a déclaré Egemen Kolemen, professeur agrégé au département de génie mécanique et aérospatial, nommé conjointement avec le Centre Andlinger pour l'énergie et l'environnement et le PPPL.
Des décisions importantes doivent être prises chaque milliseconde pour contrôler un plasma et maintenir une réaction de fusion. Le système de Kolemen peut prendre ces décisions beaucoup plus rapidement qu'un humain et ajuster automatiquement les paramètres du récipient de fusion afin que le plasma soit correctement entretenu. Le système peut prédire les perturbations, déterminer les paramètres à modifier, puis effectuer ces modifications avant que les instabilités ne se produisent.
Kolemen note que les résultats sont également impressionnants car, dans les deux cas, le plasma était dans un mode de confinement élevé. Également connu sous le nom de mode H, cela se produit lorsqu'un plasma confiné magnétiquement est suffisamment chauffé pour que le confinement du plasma s'améliore soudainement et de manière significative et que la turbulence au bord du plasma disparaisse effectivement. Le mode H est le mode le plus difficile à stabiliser mais aussi le mode qui sera nécessaire à la production d'électricité commerciale.
Le système a été déployé avec succès sur deux tokamaks, DIII-D et KSTAR, qui ont tous deux atteint le mode H sans instabilités. C'est la première fois que des chercheurs réalisent cet exploit dans un contexte de réacteur pertinent par rapport à ce qui sera nécessaire pour déployer l'énergie de fusion à l'échelle commerciale.
PPPL utilise depuis longtemps l’intelligence artificielle pour maîtriser les instabilités. William Tang, physicien de recherche principal au PPPL, et son équipe ont été les premiers à démontrer la capacité de transférer ce processus d'un tokamak à un autre en 2019.
"Notre travail a permis de réaliser des percées en utilisant l'intelligence artificielle et l'apprentissage automatique ainsi que des ressources informatiques puissantes et modernes pour intégrer de grandes quantités de données en millièmes de seconde et développer des modèles permettant de gérer les événements physiques perturbateurs bien avant leur apparition", a déclaré Tang. "On ne peut pas lutter efficacement contre les perturbations en plus de quelques millisecondes. Ce serait comme commencer à traiter un cancer mortel alors qu'il est déjà trop avancé."
Le travail a été détaillé dans un article publié dans Nature en 2019. Tang et son équipe continuent de travailler dans ce domaine, en mettant l'accent sur l'élimination des perturbations en temps réel dans les tokamaks à l'aide de modèles d'apprentissage automatique formés sur des données d'observation correctement vérifiées et validées.
Les projets d'intelligence artificielle de PPPL pour la fusion s'étendent au-delà des tokamaks. Michael Churchill, responsable de l'ingénierie numérique de PPPL, utilise l'apprentissage automatique pour améliorer la conception d'un autre type de réacteur à fusion, un stellarateur. Si les tokamaks ressemblent à des beignets, les stellarateurs pourraient être considérés comme les crullers du monde de la fusion avec un design plus complexe et plus tordu.
"Nous devons exploiter de nombreux codes différents lorsque nous validons la conception d'un stellarator.
La question devient donc :« Quels sont les meilleurs codes pour la conception des stellarateurs et les meilleures façons de les utiliser ? » », a déclaré Churchill. "C'est un exercice d'équilibre entre le niveau de détail des calculs et la rapidité avec laquelle ils produisent des réponses."
Les simulations actuelles pour les tokamaks et les stellarators se rapprochent de la réalité mais ne sont pas encore jumelles. "Nous savons que nos simulations ne sont pas fidèles à 100 % au monde réel. Nous savons souvent qu'il existe des lacunes. Nous pensons qu'elles capturent une grande partie de la dynamique que vous verriez sur une machine à fusion, mais il y en a pas mal." que nous ne le faisons pas."
Churchill a déclaré qu'idéalement, vous vouliez un jumeau numérique :un système avec une boucle de rétroaction entre des modèles numériques simulés et des données du monde réel capturées lors d'expériences. "Dans un jumeau numérique utile, ces données physiques pourraient être utilisées et exploitées pour mettre à jour le modèle numérique afin de mieux prédire à quoi ressembleraient les performances futures."
Sans surprise, imiter la réalité nécessite de nombreux codes très sophistiqués. Le problème est que plus le code est complexe, plus son exécution est généralement longue. Par exemple, un code couramment utilisé appelé Code gyrocinétique inclus X-Point (XGC) ne peut s'exécuter que sur des superordinateurs avancés, et même dans ce cas, il ne s'exécute pas rapidement.
"Vous n'allez pas exécuter XGC à chaque fois que vous effectuez une expérience de fusion à moins de disposer d'un superordinateur exascale dédié. Nous l'avons probablement exécuté sur 30 à 50 décharges de plasma [parmi les milliers que nous avons exécutées]", a déclaré Churchill. /P>
C'est pourquoi Churchill utilise l'intelligence artificielle pour accélérer différents codes et le processus d'optimisation lui-même. "Nous aimerions vraiment faire des calculs plus fidèles mais beaucoup plus rapides afin de pouvoir optimiser rapidement", a-t-il déclaré.
Codage pour optimiser le code
De même, l'équipe du physicien de recherche Stefano Munaretto utilise l'intelligence artificielle pour accélérer un code appelé HEAT, qui a été initialement développé par le laboratoire national d'Oak Ridge du DOE et l'Université du Tennessee-Knoxville pour le tokamak NSTX-U du PPPL.
HEAT est en cours de mise à jour afin que la simulation du plasma soit en 3D, correspondant au modèle de conception assistée par ordinateur (CAO) 3D du diverteur du tokamak. Situé à la base de la cuve de fusion, le divertor extrait la chaleur et les cendres générées lors de la réaction. Un modèle de plasma 3D devrait améliorer la compréhension de l'impact des différentes configurations de plasma sur les flux de chaleur ou les schémas de déplacement de la chaleur dans le tokamak. Comprendre le mouvement de la chaleur pour une configuration de plasma spécifique peut fournir des informations sur la manière dont la chaleur se déplacera probablement dans une future décharge avec un plasma similaire.
En optimisant HEAT, les chercheurs espèrent exécuter rapidement le code complexe entre les tirs de plasma, en utilisant les informations sur le dernier tir pour décider du suivant.
"Cela nous permettrait de prédire les flux de chaleur qui apparaîtront dans le prochain tir et potentiellement de réinitialiser les paramètres du prochain tir afin que le flux de chaleur ne soit pas trop intense pour le divertor", a déclaré Munaretto. "Ces travaux pourraient également nous aider à concevoir de futures centrales à fusion."
Doménica Corona Rivera, physicienne de recherche associée au PPPL, a été profondément impliquée dans les efforts visant à optimiser HEAT. La clé est de réduire un large éventail de paramètres d’entrée à seulement quatre ou cinq afin que le code soit rationalisé tout en étant très précis. "Nous devons nous demander :"Lesquels de ces paramètres sont significatifs et auront réellement un impact sur la chaleur ?", a déclaré Corona Rivera. Ce sont les paramètres clés utilisés pour entraîner le programme d'apprentissage automatique.
Avec le soutien de Churchill et Munaretto, Corona Rivera a déjà considérablement réduit le temps nécessaire à l'exécution du code pour prendre en compte la chaleur tout en gardant les résultats synchronisés à environ 90 % avec ceux de la version originale de HEAT. "C'est instantané", dit-elle.
Les chercheurs tentent également de trouver les meilleures conditions pour chauffer les ions dans le plasma en perfectionnant une technique connue sous le nom de chauffage par radiofréquence ionique par cyclotron (ICRF). Ce type de chauffage se concentre sur le réchauffement des grosses particules du plasma :les ions.
Le plasma possède différentes propriétés, telles que la densité, la pression, la température et l'intensité du champ magnétique. Ces propriétés modifient la façon dont les ondes interagissent avec les particules de plasma et déterminent les trajectoires des ondes et les zones où les ondes chaufferont le plasma. La quantification de ces effets est cruciale pour contrôler le chauffage par radiofréquence du plasma afin que les chercheurs puissent garantir que les ondes se déplacent efficacement à travers le plasma pour le chauffer dans les bonnes zones.
Le problème est que les codes standards utilisés pour simuler les interactions plasma et ondes radio sont très compliqués et fonctionnent trop lentement pour être utilisés pour prendre des décisions en temps réel.
"L'apprentissage automatique nous apporte ici un grand potentiel pour optimiser le code", a déclaré Álvaro Sánchez Villar, physicien de recherche associé au PPPL. "En gros, nous pouvons mieux contrôler le plasma car nous pouvons prédire son évolution et la corriger en temps réel."
Le projet se concentre sur l’essai de différents types d’apprentissage automatique pour accélérer un code physique largement utilisé. Sánchez Villar et son équipe ont présenté plusieurs versions accélérées du code pour différents dispositifs de fusion et types de chauffage. Les modèles peuvent trouver des réponses en microsecondes au lieu de quelques minutes avec un impact minimal sur la précision des résultats. Sánchez Villar et son équipe ont également pu utiliser l'apprentissage automatique pour éliminer les scénarios difficiles grâce au code optimisé.
Sánchez Villar affirme que la précision du code, sa « robustesse accrue » et son accélération le rendent bien adapté à la modélisation intégrée, dans laquelle de nombreux codes physiques sont utilisés ensemble, et aux applications de contrôle en temps réel, cruciales pour la recherche sur la fusion.
Fatima Ebrahimi, physicienne de recherche principale au PPPL, est la chercheuse principale d'un projet de quatre ans pour le programme Advanced Scientific Computing Research du DOE, qui fait partie de l'Office of Science, qui utilise des données expérimentales de divers tokamaks, des données de simulation de plasma et l'intelligence artificielle pour étudier le comportement. du bord du plasma lors de la fusion. L'équipe espère que leurs découvertes révéleront les moyens les plus efficaces de confiner un plasma sur un tokamak à l'échelle commerciale.
Bien que le projet ait plusieurs objectifs, l’objectif est clair du point de vue de l’apprentissage automatique. "Nous voulons explorer comment l'apprentissage automatique peut nous aider à tirer parti de toutes nos données et simulations afin de combler les lacunes technologiques et d'intégrer un plasma haute performance dans un système de centrale à fusion viable", a déclaré Ebrahimi.
Il existe une multitude de données expérimentales recueillies auprès des tokamaks du monde entier alors que les dispositifs fonctionnaient dans un état exempt d'instabilités à grande échelle au bord du plasma, appelés modes localisés aux bords (ELM). De tels ELM explosifs momentanés doivent être évités car ils peuvent endommager les composants internes d'un tokamak, attirer les impuretés des parois du tokamak dans le plasma et rendre la réaction de fusion moins efficace. La question est de savoir comment parvenir à un état sans ELM dans un tokamak à l'échelle commerciale, qui sera beaucoup plus grand et fonctionnera beaucoup plus chaud que les tokamaks expérimentaux d'aujourd'hui.
Ebrahimi et son équipe combineront les résultats expérimentaux avec les informations provenant de simulations de plasma déjà validées par rapport aux données expérimentales pour créer une base de données hybride. La base de données sera ensuite utilisée pour entraîner des modèles d'apprentissage automatique sur la gestion du plasma, qui pourront ensuite être utilisés pour mettre à jour la simulation.
"Il y a des allers-retours entre la formation et la simulation", a expliqué Ebrahimi.
En exécutant une simulation haute fidélité du modèle d’apprentissage automatique sur des superordinateurs, les chercheurs peuvent alors émettre des hypothèses sur des scénarios allant au-delà de ceux couverts par les données existantes. Cela pourrait fournir des informations précieuses sur les meilleures façons de gérer les limites du plasma à l'échelle commerciale.
Plus d'informations : S. K. Kim et al, Performances de fusion les plus élevées sans sursauts d'énergie de bord nocifs dans le tokamak, Nature Communications (2024). DOI :10.1038/s41467-024-48415-w
Informations sur le journal : Communications naturelles , Nature
Fourni par le laboratoire de physique des plasmas de Princeton