ИИ, используемый для управления ядерным синтезом, разработанный DeepMind и EPFL
Компания DeepMind (часть Google), специализирующаяся на искусственном интеллекте, в настоящее время работает с исследователями Швейцарского федерального технологического института (EPFL) в Лозанне в Швейцарском плазменном центре (CPS) над упрощением процесса управления плазмой, говорится в статье, опубликованной в журнале Nature, В ней описывается, как искусственный интеллект может быть использован в ядерной классификации.
Обсуждаемый искусственный интеллект показал, что он может удерживать плазму в токамаках и управлять различными конфигурациями по мере необходимости.
Ядерная классификация, которую пытаются изучить ученые, представляет собой реакцию, в которой два «легких» ядра сталкиваются и сплавляются вместе на высокой скорости. Это явление высвобождает огромное количество энергии без негативных последствий, связанных с радиоактивными отходами и риском ядерной усталости. Это явление следует отличать от ядерного сектора, который основан на способности атомов (в основном урана) расщепляться на две части, используемые в настоящее время на атомных электростанциях.
Поэтому при нуклеосинтезе выделяется очень большое количество энергии (больше, чем при расщеплении). Чтобы дать вам представление, такое же явление действует на нашем Солнце и других звездах! Когда ученым удается вызвать нуклеосинтез, они обычно получают водородную «плазму», температура которой превышает температуру Солнца. Как и следовало ожидать, удержать всю эту энергию нелегко. Однако необходимо, по крайней мере, уметь подавлять и хранить эту плазму, чтобы извлекать из нее энергию и иметь возможность использовать ее в будущем.
Если она не поддерживается, то реакция протекает без поддержки. На звездах, где это происходит естественным образом, в качестве источника энергии выступает сила гравитации. На Земле ученые используют катушки для создания магнитного поля, чтобы удержать ее на месте. Однако эта знаменитая плазма очень нестабильна, и ее состояние постоянно меняется, поэтому ученым приходится проводить очень сложные расчеты и моделирование, чтобы знать, как регулировать магнитное поле. Например, система управления должна регулировать множество магнитных катушек Токамака и изменять напряжение тысячи раз в секунду, чтобы плазма не касалась стенок сосуда.
Читайте также: Китай объявляет о создании гибридной электростанции ядерного синтеза и деления к 2028 году
30 декабря 2021 года экспериментальная группа передовых сверхпроводящих токамаков в Лаборатории физики плазмы в Хеффи объявила об успешной поддержке..
Несмотря на годы исследований, все эти корректировки и расчеты по-прежнему остаются сложными и требуют много времени. Кроме того, как объясняет Deepmind, доступ ученых к исследовательским структурам, таким как капиталы, ограничен, а многие из них хотят проводить эксперименты.
«Наш симулятор основан на более чем 20-летних исследованиях и постоянно обновляется, — объясняет Федерико Феличи, ученый CPS и соавтор пресс-релиза EPFL. Необходимо было определить правильные значения для каждой переменной в системе управления. Это совместный исследовательский проект с DeepMind, которому мы преданы».
Команда использовала искусственный интеллект, чтобы упростить весь процесс вычислений. В ходе экспериментов было обнаружено, что 19 магнитными катушками можно управлять автономно, чтобы «моделировать» плазму и придавать ей различные формы. Это было основано на «обучении с подкреплением» с помощью нейронной сети. Напомним, что нейронные сети — это системы, вдохновленные функцией биологических нейронов, но адаптированные к статистическим методам. Искусственный интеллект «питается» данными, чтобы извлечь логические связи и обработать их для получения результатов.
Таким образом, искусственный интеллект начал «изучать» и наблюдать, как настройки катушки влияют на форму и свойства плазмы. Затем ученый мог поставить цель, попросив его самостоятельно воспроизвести эти формы. Сначала плазма включалась обычным способом, затем искусственный интеллект занимался ею. Затем выяснилось, что он может манипулировать ею как в симуляции, так и в реальной жизни. Моделирование и прямое экспериментальное согласование не проводилось. Можно было задавать цели по форме плазмы, ее стабильности или положению в резервуаре.
По словам ученого, такой подход позволил ему «интуитивно определить целевые показатели эффективности и сосредоточиться на том, что должно быть достигнуто, а не на том, что должно быть сделано каким-то образом». Таким образом, это значительно упрощает расчеты. В качестве альтернативы можно использовать один контроллер для всех катушек. Причина, по которой характеристики и форма плазмы так важны, заключается в том, что они влияют на возможность достижения лучшей стабильности, более эффективного удержания и оптимизации высвобождаемой энергии.
Например, ИИ может воспроизвести конфигурацию вызова снежинки S-O. Такая геометрия позволяет лучше распределить энергию, высвобождаемую из резервуара. Он также использовал «капельную» форму, т.е. которую планируется использовать в большом французском токамакете. Действительно, такое использование ИИ должно быть еще более полезным в больших реакторах, поскольку расчеты в них еще сложнее.
«Это многообещающее новое направление в разработке плазменных контроллеров, которое может ускорить термоядерную науку, исследовать новые конфигурации и поддержать развитие будущих токамаков», — говорится в исследовании.
