今日应用
今日话题
可控核聚变新里程碑，AI首次实现双托卡马克3D场全自动优化，登Nature子刊
重点标签 核聚变能源、人工智能、普林斯顿等离子体物理实验室、机器学习、3D场优化
文章摘要
普林斯顿等离子体物理实验室（PPPL）的科学家们正在利用人工智能（AI）技术来解决核聚变能源领域的关键挑战。核聚变作为一种清洁、可靠的能源，其研究已经吸引了科学家们数十年的兴趣。与传统计算机代码不同，机器学习能够分析数据、推断特征之间的关系，并从新知识中学习和适应，这使得它在改善聚变反应控制方面具有巨大潜力。
PPPL研究人员最近在AI研究上取得了重要进展，他们解释了如何使用机器学习来避免磁扰动破坏聚变等离子体的稳定性。在两个不同的托卡马克装置上，研究人员成功地使用相同的代码实现了这一成果，这被认为是一个重要的里程碑。研究结果发表在《Nature Communications》上，题为《Highest fusion performance without harmful edge energy bursts in tokamak》。
为了使聚变能源在全球市场上具有经济竞争力，必须实现高聚变三重积（nτT），即等离子体密度、温度和能量约束时间的乘积。为了达到这一目标，需要开发可靠的方法来抑制边缘爆发（edge burst）事件，而不影响品质因数（G）。科学家们已经尝试了多种方法，其中之一是利用外部3D场线圈的共振磁扰动（RMP），这被认为是最有前途的方法之一。
然而，这种方法的代价高昂，可能导致能量约束时间和品质因数的显著恶化，从而削弱了聚变能源的经济前景。此外，3D场还增加了核心不稳定的风险，可能导致比边缘爆发更严重的中断。因此，研究人员探索了无边缘爆发操作与高约束操作的安全可及性和兼容性。
在KSTAR和DIII-D两个托卡马克上，研究人员首次进行了3D场优化，结合机器学习、自适应和多机器功能，实现了几乎完全无边缘爆发状态，同时提高了等离子体聚变性能。这一成果是通过实时利用无边缘爆发起始和损耗之间的滞后来增强等离子体约束，并扩展机器学习在捕获物理和优化核聚变技术方面的能力来实现的。
研究人员开发了GPEC代码的代理模型（ML-3D），以实时利用基于物理的模型。该模型使用机器学习算法将计算时间加速到毫秒级，并集成到KSTAR中的自适应RMP优化器中。ML-3D由一个完全连接的多层感知器（MLP）组成，由九个输入驱动。通过训练8490个KSTAR平衡的GPEC模拟，研究人员成功地开发了这一模型。
这种集成有助于在两台机器的无边界局域模（ELM-free）场景中达到最高的聚变性能，G增加了高达90%。此外，研究人员还首次实现了基于机器学习的全自动3D场优化，并从等离子体操作一开始就同时建立了爆发抑制，实现了接近ITER相关水平的几乎完全无边缘爆发操作。
PPPL机械和航空航天工程系副教授Egemen Kolemen表示，等离子体中的不稳定性可能导致聚变装置严重损坏，因此不能在商业聚变容器中使用这些物质。这项工作推动了该领域的发展，并表明人工智能可以在管理聚变反应方面发挥重要作用，避免不稳定，同时允许等离子体产生尽可能多的聚变能。
这项研究的成功展示了机器学习在核聚变能源领域的应用潜力，为实现实用且经济可行的聚变能源提供了新的解决方案。通过机器学习技术，研究人员能够优化3D场线圈的电流分布，实现安全的3D场以避免中断，同时提高聚变性能。这一成果不仅对当前的聚变研究具有重要意义，而且对未来的聚变反应堆设计和运行具有深远的影响。
文章来源
原文地址: 点我阅读全文
原文作者: 机器之心
相关文章
