Nun hat ein Team von Fusionsforschern unter der Leitung von Ingenieuren aus Princeton und dem Princeton Plasma Physics Laboratory (PPPL) des US-Energieministeriums erfolgreich Methoden des maschinellen Lernens eingesetzt, um diese schädlichen Randinstabilitäten zu unterdrücken, ohne Einbußen bei der Plasmaleistung.
Mit ihrem Ansatz, der die Unterdrückungsreaktion des Systems in Echtzeit optimiert, konnte das Forscherteam in zwei verschiedenen Fusionsanlagen, jede mit ihren eigenen Betriebsparametern, die höchste Fusionsleistung ohne das Auftreten von Randausbrüchen nachweisen.
„Wir haben nicht nur gezeigt, dass unser Ansatz in der Lage ist, ein Hochleistungsplasma ohne Instabilitäten aufrechtzuerhalten, sondern auch, dass er in zwei verschiedenen Anlagen funktionieren kann“, so der Forschungsleiter Egemen Kolemen, außerordentlicher Professor für Maschinenbau und Luft- und Raumfahrttechnik sowie für das Andlinger Center for Energy and the Environment. „Wir haben gezeigt, dass unser Ansatz nicht nur effektiv, sondern auch vielseitig ist.“
Stabilisierung des High-Confinement-Modus
Forscher experimentieren seit langem mit verschiedenen Möglichkeiten, Fusionsreaktoren zu betreiben, um die für die Fusion erforderlichen Bedingungen zu schaffen. Zu den vielversprechendsten Ansätzen gehört der Betrieb eines Reaktors im High-Confinement-Modus, einem Modus, der durch die Bildung eines steilen Druckgradienten am Rand des Plasmas gekennzeichnet ist und einen verbesserten Plasmaeinschluss bietet.
Der High-Confinement-Modus geht jedoch seit jeher mit Instabilitäten am Plasmarand einher, eine Herausforderung, die die Fusionsforscher dazu zwingt, kreative Lösungen zu finden.
Eine Lösung besteht darin, die Magnetspulen, die einen Fusionsreaktor umgeben, zu nutzen, um Magnetfelder an den Rand des Plasmas anzulegen und so die Strukturen aufzubrechen, die sich andernfalls zu einer vollwertigen Randinstabilität entwickeln könnten. Diese Lösung ist jedoch unvollkommen: Zwar gelingt es, das Plasma zu stabilisieren, doch führt die Anwendung dieser magnetischen Störungen in der Regel zu einer geringeren Gesamtleistung.
„Wir haben einen Weg gefunden, diese Instabilitäten zu kontrollieren, aber im Gegenzug mussten wir Abstriche bei der Leistung machen, die eine der Hauptmotivationen für den Betrieb im High-Confinement-Modus ist“, so Kolemen, der auch als Forschungsphysiker am PPPL tätig ist.
Der Leistungsverlust ist zum Teil auf die Schwierigkeit zurückzuführen, die Form und Amplitude der angewandten magnetischen Störungen zu optimieren, was wiederum auf die Rechenintensität bestehender physikalisch basierter Optimierungsansätze zurückzuführen ist. Diese konventionellen Methoden beinhalten eine Reihe komplexer Gleichungen und können Dutzende von Sekunden für die Optimierung eines einzigen Zeitpunkts benötigen,alles andere als ideal, wenn sich das Verhalten des Plasmas innerhalb weniger Millisekunden ändern kann. Infolgedessen mussten die Fusionsforscher die Form und Amplitude der magnetischen Störungen vor jedem Fusionslauf voreinstellen, wodurch sie die Möglichkeit verloren, Anpassungen in Echtzeit vorzunehmen.
„In der Vergangenheit musste alles vorprogrammiert werden“, sagt SangKyeun Kim, wissenschaftlicher Mitarbeiter am PPPL und ehemaliger Postdoktorand in Kolemens Gruppe. „Diese Einschränkung hat es schwierig gemacht, das System wirklich zu optimieren, weil es bedeutet, dass die Parameter nicht in Echtzeit geändert werden können, je nachdem, wie sich die Bedingungen im Plasma entwickeln.“
Höhere Leistung durch geringere Rechenzeit
Der Ansatz des von Princeton geleiteten Teams für maschinelles Lernen verkürzt die Berechnungszeit von mehreren Dutzend Sekunden auf die Millisekunden-Skala und öffnet damit die Tür für eine Optimierung in Echtzeit. Das maschinelle Lernmodell, das einen effizienteren Ersatz für bestehende physikalische Modelle darstellt, kann den Zustand des Plasmas von einer Millisekunde zur nächsten überwachen und die Amplitude und Form der magnetischen Störungen nach Bedarf ändern. Auf diese Weise kann der Controller ein Gleichgewicht zwischen der Unterdrückung von Edge Bursts und einer hohen Fusionsleistung herstellen, ohne das eine dem anderen zu opfern.
„Mit unserem Surrogatmodell für maschinelles Lernen konnten wir die Berechnungszeit eines Codes, den wir verwenden wollten, um Größenordnungen reduzieren“, so Ricardo Shousha, Postdoktorand am PPPL und ehemaliger Doktorand in Kolemens Gruppe.
Da ihr Ansatz letztlich auf physikalischen Grundlagen beruht, kann er laut den Forschern problemlos auf verschiedene Fusionsanlagen auf der ganzen Welt angewendet werden. In ihrem Papier haben sie beispielsweise den Erfolg ihres Ansatzes sowohl am KSTAR-Tokamak in Südkorea als auch am DIII-D-Tokamak in San Diego nachgewiesen. In beiden Anlagen, die jeweils über einen einzigartigen Satz von Magnetspulen verfügen, wurden mit der Methode ein starker Einschluss und eine hohe Fusionsleistung ohne schädliche Plasmarandausbrüche erreicht.
„Einige Ansätze des maschinellen Lernens wurden dafür kritisiert, dass sie ausschließlich datengesteuert sind, was bedeutet, dass sie nur so gut sind wie die Menge an Qualitätsdaten, auf denen sie trainiert wurden“, so Shousha. „Aber da unser Modell ein Ersatz für einen physikalischen Code ist und die Prinzipien der Physik überall gleich gelten, ist es einfacher, unsere Arbeit auf andere Kontexte zu übertragen.“
Das Team arbeitet bereits daran, sein Modell so zu verfeinern, dass es mit anderen Fusionsanlagen kompatibel ist, einschließlich geplanter künftiger Reaktoren wie dem ITER, der sich derzeit im Bau befindet.
Vorhersagefähigkeit
Ein aktiver Arbeitsbereich in Kolemens Gruppe ist die Verbesserung der Vorhersagefähigkeiten ihres Modells. So ist das derzeitige Modell immer noch darauf angewiesen, dass im Laufe des Optimierungsprozesses mehrere Kantenausbrüche auftreten, bevor es effektiv arbeitet, was unerwünschte Risiken für künftige Reaktoren mit sich bringt. Wenn die Forscher stattdessen die Fähigkeit des Modells verbessern können, die Vorläufer dieser schädlichen Instabilitäten zu erkennen, könnte es möglich sein, das System zu optimieren, ohne einen einzigen Edge Burst zu erleben.
Kolemen sagte, die aktuelle Arbeit sei ein weiteres Beispiel für das Potenzial der KI zur Überwindung langjähriger Engpässe bei der Entwicklung der Fusionsenergie als saubere Energiequelle. Zuvor hatten Forscher unter der Leitung von Kolemen erfolgreich einen separaten KI-Controller zur Vorhersage und Vermeidung einer anderen Art von Plasmainstabilität in Echtzeit am Tokamak DIII-D eingesetzt.
„Bei vielen der Herausforderungen, mit denen wir bei der Fusion konfrontiert sind, sind wir an einem Punkt angelangt, an dem wir zwar wissen, wie wir eine Lösung finden können, aber in unserer Fähigkeit, diese Lösungen umzusetzen, durch die rechnerische Komplexität unserer traditionellen Werkzeuge eingeschränkt sind“, so Kolemen. „Diese Ansätze des maschinellen Lernens haben uns neue Wege eröffnet, um diese bekannten Fusionsherausforderungen anzugehen.“
