En un clin d’œil, le plasma indiscipliné et surchauffé qui entraîne une réaction de fusion peut perdre sa stabilité et échapper aux puissants champs magnétiques qui le confinent dans le réacteur de fusion en forme de beignet. Ces fuites marquent souvent la fin de la réaction, posant un défi majeur au développement de la fusion en tant que source d'énergie non polluante et pratiquement illimitée.
Mais une équipe dirigée par Princeton et composée d'ingénieurs, de physiciens et de data scientists de l'Université et du Laboratoire de physique des plasmas de Princeton (PPPL) a exploité la puissance de l'intelligence artificielle pour prédire, puis éviter, la formation d'un problème de plasma spécifique en temps réel. temps.
Lors d'expériences menées au centre national de fusion DIII-D de San Diego, les chercheurs ont démontré que leur modèle, formé uniquement sur des données expérimentales antérieures, pouvait prévoir les instabilités potentielles du plasma, connues sous le nom d'instabilités du mode de déchirure, jusqu'à 300 millisecondes à l'avance.
Bien que cela ne laisse pas plus de temps qu'il n'en faut pour un lent clignement des yeux chez les humains, le contrôleur de l'IA avait largement le temps de modifier certains paramètres de fonctionnement pour éviter ce qui se serait transformé en une déchirure dans les lignes de champ magnétique du plasma, perturbant son équilibre et son ouverture. la porte pour une évasion mettant fin à la réaction.
"En apprenant des expériences passées, plutôt que d'incorporer des informations provenant de modèles basés sur la physique, l'IA pourrait développer une politique de contrôle final qui prendrait en charge un régime de plasma stable et de grande puissance en temps réel, dans un réacteur réel", a déclaré le responsable de la recherche, Egemen Kolemen. , professeur agrégé de génie mécanique et aérospatial au Centre Andlinger pour l'énergie et l'environnement, ainsi que physicien de recherche au PPPL.
La recherche ouvre la porte à un contrôle plus dynamique d’une réaction de fusion que les approches actuelles et constitue une base pour l’utilisation de l’intelligence artificielle pour résoudre un large éventail d’instabilités du plasma, qui constituent depuis longtemps des obstacles à la réalisation d’une réaction de fusion soutenue. L'équipe a publié ses conclusions dans Nature le 21 février.
"Les études précédentes se sont généralement concentrées sur la suppression ou l'atténuation des effets de ces instabilités déchirantes après leur apparition dans le plasma", a déclaré le premier auteur Jaemin Seo, professeur adjoint de physique à l'Université Chung-Ang en Corée du Sud, qui a réalisé une grande partie du travail. alors qu'il était chercheur postdoctoral dans le groupe de Kolemen. "Mais notre approche nous permet de prédire et d'éviter ces instabilités avant qu'elles n'apparaissent."
La fusion a lieu lorsque deux atomes – généralement des atomes légers comme l’hydrogène – se réunissent pour former un atome plus lourd, libérant ainsi une grande quantité d’énergie. Le processus alimente le soleil et, par extension, rend la vie possible sur Terre.
Cependant, faire fusionner les deux atomes est délicat, car il faut d'énormes quantités de pression et d'énergie pour que les deux atomes surmontent leur répulsion mutuelle.
Heureusement pour le Soleil, son attraction gravitationnelle massive et les pressions extrêmement élevées en son cœur permettent aux réactions de fusion de se dérouler. Pour reproduire un processus similaire sur Terre, les scientifiques utilisent plutôt un plasma extrêmement chaud et des aimants extrêmement puissants.
Dans des appareils en forme de beignet appelés tokamaks, parfois appelés « étoiles dans des bocaux », les champs magnétiques ont du mal à contenir les plasmas qui atteignent plus de 100 millions de degrés Celsius, soit plus chauds que le centre du soleil.
Bien qu'il existe de nombreux types d'instabilités du plasma qui peuvent mettre fin à la réaction, l'équipe de Princeton s'est concentrée sur la résolution des instabilités du mode déchirement, une perturbation dans laquelle les lignes de champ magnétique à l'intérieur d'un plasma se brisent et créent une opportunité pour la fuite ultérieure du plasma.
"Les instabilités du mode de déchirure sont l'une des principales causes de perturbation du plasma, et elles deviendront encore plus importantes à mesure que nous essaierons de réaliser des réactions de fusion aux puissances élevées requises pour produire suffisamment d'énergie", a déclaré Seo. "C'est un défi important que nous devons résoudre."
Étant donné que les instabilités du mode de déchirure peuvent former et faire dérailler une réaction de fusion en quelques millisecondes, les chercheurs se sont tournés vers l'intelligence artificielle pour sa capacité à traiter et à agir rapidement en réponse à de nouvelles données.
Mais le processus de développement d'un contrôleur d'IA efficace n'était pas aussi simple que d'essayer quelques éléments sur un tokamak, où le temps est limité et les enjeux sont élevés.
Le co-auteur Azarakhsh Jalalvand, chercheur dans le groupe de Kolemen, a comparé l'enseignement d'un algorithme pour exécuter une réaction de fusion dans un tokamak à l'enseignement à quelqu'un comment piloter un avion.
"Vous n'enseigneriez pas à quelqu'un en lui remettant un jeu de clés et en lui disant de faire de son mieux", a déclaré Jalalvand. "Au lieu de cela, vous les feriez s'entraîner sur un simulateur de vol très complexe jusqu'à ce qu'ils en aient suffisamment appris pour essayer la vraie chose."
Tout comme pour le développement d'un simulateur de vol, l'équipe de Princeton a utilisé les données d'expériences antérieures au tokamak DIII-D pour construire un réseau neuronal profond capable de prédire la probabilité d'une future instabilité de déchirure sur la base des caractéristiques du plasma en temps réel.
Ils ont utilisé ce réseau neuronal pour former un algorithme d’apprentissage par renforcement. Comme un pilote stagiaire, l'algorithme d'apprentissage par renforcement pourrait essayer différentes stratégies de contrôle du plasma, apprenant par essais et erreurs quelles stratégies fonctionnaient et lesquelles ne fonctionnaient pas dans la sécurité d'un environnement simulé.
"Nous n'enseignons pas au modèle d'apprentissage par renforcement toute la physique complexe d'une réaction de fusion", a déclaré Jalalvand. "Nous lui disons quel est l'objectif - maintenir une réaction de grande puissance - ce qu'il faut éviter - une instabilité du mode de déchirement - et les boutons qu'il peut actionner pour atteindre ces résultats. Au fil du temps, il apprend la voie optimale pour atteindre l'objectif de une puissance élevée tout en évitant la punition d'une instabilité."
Tandis que le modèle subissait d'innombrables expériences de fusion simulée, essayant de trouver des moyens de maintenir des niveaux de puissance élevés tout en évitant les instabilités, le co-auteur SangKyeun Kim a pu observer et affiner ses actions.
"En arrière-plan, nous pouvons voir les intentions du modèle", a déclaré Kim, chercheur scientifique au PPPL et ancien chercheur postdoctoral dans le groupe de Kolemen. "Certains des changements souhaités par le modèle sont trop rapides, nous travaillons donc à lisser et à calmer le modèle. En tant qu'humains, nous arbitreons entre ce que l'IA veut faire et ce que le tokamak peut accueillir."
Une fois confiants dans les capacités du contrôleur IA, ils l'ont testé lors d'une véritable expérience de fusion sur le tokamak D-III D, observant le contrôleur apporter des modifications en temps réel à certains paramètres du tokamak pour éviter l'apparition d'une instabilité. Ces paramètres comprenaient la modification de la forme du plasma et de la force des faisceaux apportant de la puissance à la réaction.
"Être capable de prédire les instabilités à l'avance peut faciliter la mise en œuvre de ces réactions par rapport aux approches actuelles, qui sont plus passives", a déclaré Kim. "Nous n'avons plus besoin d'attendre que les instabilités se produisent et de prendre rapidement des mesures correctives avant que le plasma ne soit perturbé."
Même si les chercheurs ont déclaré que ces travaux constituent une preuve de concept prometteuse démontrant comment l'intelligence artificielle peut contrôler efficacement les réactions de fusion, il ne s'agit que d'une des nombreuses prochaines étapes déjà en cours dans le groupe de Kolemen pour faire progresser le domaine de la recherche sur la fusion.
La première étape consiste à obtenir davantage de preuves du fonctionnement du contrôleur IA sur le tokamak DIII-D, puis à étendre le contrôleur pour qu'il fonctionne sur d'autres tokamaks.
"Nous avons des preuves solides que le contrôleur fonctionne assez bien au DIII-D, mais nous avons besoin de plus de données pour montrer qu'il peut fonctionner dans un certain nombre de situations différentes", a déclaré le premier auteur Seo. "Nous voulons travailler vers quelque chose de plus universel."
Une deuxième ligne de recherche consiste à étendre l’algorithme pour traiter simultanément de nombreux problèmes de contrôle différents. Bien que le modèle actuel utilise un nombre limité de diagnostics pour éviter un type spécifique d'instabilité, les chercheurs pourraient fournir des données sur d'autres types d'instabilités et donner accès à davantage de boutons permettant au contrôleur IA de les régler.
"Vous pourriez imaginer une grande fonction de récompense qui actionne de nombreux boutons différents pour contrôler simultanément plusieurs types d'instabilités", a déclaré le co-auteur Ricardo Shousha, postdoctorant au PPPL et ancien étudiant diplômé du groupe de Kolemen qui a soutenu les expériences du DIII- D.
Et en développant de meilleurs contrôleurs d’IA pour les réactions de fusion, les chercheurs pourraient également mieux comprendre la physique sous-jacente. En étudiant les décisions du contrôleur de l'IA alors qu'il tente de contenir le plasma, qui peuvent être radicalement différentes de ce que les approches traditionnelles pourraient prescrire, l'intelligence artificielle peut être non seulement un outil pour contrôler les réactions de fusion, mais aussi une ressource pédagogique.
"En fin de compte, cela pourrait être plus qu'une simple interaction à sens unique entre les scientifiques développant et déployant ces modèles d'IA", a déclaré Kolemen. "En les étudiant plus en détail, ils pourraient avoir certaines choses qu'ils pourraient aussi nous apprendre."
Plus d'informations : Egemen Kolemen, Éviter l'instabilité de déchirure dans le plasma de fusion grâce à l'apprentissage par renforcement profond, Nature (2024). DOI :10.1038/s41586-024-07024-9. www.nature.com/articles/s41586-024-07024-9
Informations sur le journal : Nature
Fourni par l'Université de Princeton
