L’AI doma il plasma: verso la fusione nucleare

Un team di scienziati dell'Università di Princeton e del Princeton Plasma Physics Laboratory attraverso l'AI ha compiuto un passo fondamentale verso la realizzazione della fusione nucleare controllata

Un team di scienziati dell’Università di Princeton e del Princeton Plasma Physics Laboratory attraverso l’AI ha compiuto un passo fondamentale verso la realizzazione della fusione nucleare controllata, una fonte di energia pulita e inesauribile con il potenziale di rivoluzionare il nostro futuro.

fusione333

Controllo dei burst di energia con l’AI

Sfruttando il potere dell’apprendimento automatico (AI), i ricercatori sono riusciti a sviluppare un metodo rivoluzionario per controllare i burst di energia, noti come “ELM” (Edge Localized Modes), che si verificano ai bordi del plasma all’interno dei reattori a fusione. Gli ELM possono destabilizzare il plasma, ostacolando la fusione e danneggiando i componenti del reattore.

Il nuovo sistema di controllo, basato sull’intelligenza artificiale, è in grado di prevedere e sopprimere gli ELM in tempo reale, con una precisione e un’efficacia senza precedenti. Questo metodo innovativo ha permesso di ottenere prestazioni del plasma significativamente migliori, avvicinandoci a quel “punto di accensione” in cui la fusione nucleare diventa autosostenuta e produce più energia di quanta ne consuma.

Un altro vantaggio rivoluzionario di questo sistema risiede nella sua velocità di calcolo. In passato, la regolazione del plasma in tempo reale richiedeva calcoli complessi e dispendiosi in termini di tempo, limitando le prestazioni del reattore. Il nuovo sistema basato sull’apprendimento automatico, invece, esegue i calcoli in modo esponenzialmente più rapido, permettendo un controllo più preciso e reattivo del plasma.

I ricercatori hanno riportato le loro scoperte su Nature Communications, sottolineando il vasto potenziale dell’apprendimento automatico e di altri sistemi di AI per annullare rapidamente le instabilità del plasma.

il leader della ricerca Egemen Kolemen, Professore associato di ingegneria meccanica e aerospaziale e dell’Andlinger Centro per l’Energia e l’Ambiente, ha dichiarato: “Non solo abbiamo dimostrato che il nostro approccio è in grado di mantenere un plasma ad alte prestazioni senza instabilità, ma abbiamo anche dimostrato che può funzionare in due strutture diverse. Abbiamo dimostrato che il nostro approccio non è solo efficace, ma anche versatile.”

Fusione222

Affrontare le sfide legate alla modalità di confinamento elevato utilizzando l’AI

I ricercatori hanno a lungo sperimentato vari modi di far funzionare i reattori a fusione per ottenere le condizioni necessarie per la fusione. Uno degli approcci più promettenti prevede il funzionamento di un reattore in modalità ad alto confinamento, un regime caratterizzato dalla formazione di un forte gradiente di pressione ai margini del plasma che offre un migliore confinamento dello stesso.

La modalità ad alto confinamento, tuttavia, è storicamente andata di pari passo con le instabilità ai margini del plasma, una sfida che ha richiesto ai ricercatori di trovare soluzioni alternative creative.

Una soluzione ha previsto l’utilizzo delle bobine magnetiche che circondano un reattore a fusione per applicare campi magnetici al bordo del plasma, rompendo le strutture che altrimenti potrebbero svilupparsi in una vera e propria instabilità del bordo. Tuttavia questa soluzione è imperfetta: pur essendo riuscita a stabilizzare il plasma, l’applicazione di queste perturbazioni magnetiche ha portato a prestazioni complessive inferiori.

Kolemen, che è anche un fisico ricercatore presso PPPL ha affermato: “Abbiamo un modo per controllare queste instabilità, ma a nostra volta abbiamo dovuto sacrificare le prestazioni, che è in primo luogo una delle motivazioni principali per operare in modalità di confinamento elevato”.

La perdita di prestazioni è stata in parte dovuta alla difficoltà di ottimizzare la forma e l’ampiezza delle perturbazioni magnetiche applicate, che a sua volta deriva dall’intensità computazionale degli approcci di ottimizzazione esistenti basati sulla fisica. Questi metodi convenzionali implicano una serie di equazioni complesse e possono richiedere decine di secondi per ottimizzare un singolo punto nel tempo, tutt’altro che ideale quando il comportamento del plasma può cambiare in soli millisecondi. Di conseguenza, i ricercatori hanno dovuto preimpostare la forma e l’ampiezza delle perturbazioni magnetiche prima di ogni fusione, perdendo la capacità di apportare modifiche in tempo reale.

Il co-primo autore SangKyeun Kim, ricercatore presso il PPPL ed ex ricercatore post-dottorato nel gruppo di Kolemen ha spiegato: “In passato, tutto doveva essere pre-programmato. Questa limitazione ha reso difficile ottimizzare veramente il sistema poiché i parametri non possono essere modificati in tempo reale a seconda di come si sviluppano le condizioni del plasma.”

fusione4

Migliorare le prestazioni della fusione con l’AI

L’approccio di apprendimento automatico del team guidato da Princeton ha ridotto il tempo di calcolo da decine di secondi a scala di millisecondi, aprendo la porta all’ottimizzazione in tempo reale. Il modello di apprendimento automatico, che è un surrogato più efficiente dei modelli esistenti basati sulla fisica, può monitorare lo stato del plasma da un millisecondo al successivo e alterare l’ampiezza e la forma delle perturbazioni magnetiche secondo necessità. Questo consente al controller di trovare un equilibrio tra la soppressione degli edge burst e le elevate prestazioni di fusione, senza sacrificare l’una a favore dell’altra.

Ricardo Shousha, ricercatore post-dottorato presso PPPL e ricercatore del gruppo di Kolemen ha dichiarato: “Con il nostro modello surrogato di apprendimento automatico, abbiamo ridotto di diversi ordini di grandezza il tempo di calcolo di un codice che volevamo utilizzare”.

Poiché il loro approccio è in definitiva basato sulla fisica, i ricercatori hanno affermato che sarebbe stato semplice applicarlo a diversi dispositivi di fusione in tutto il mondo. Nel loro studio, ad esempio, hanno dimostrato il successo del loro approccio sia al tokamak KSTAR in Corea del Sud che al tokamak DIII-D a San Diego.

In entrambe le strutture, ciascuna dotata di un set unico di bobine magnetiche, il metodo ha ottenuto un forte confinamento e prestazioni di fusione elevate senza dannose esplosioni ai bordi del plasma.

Shousha ha affermato: “Alcuni approcci di machine learning sono stati criticati per essere basati esclusivamente sui dati, il che significa che sono validi solo quanto la quantità di dati di qualità su cui sono stati addestrati. Ma poiché il nostro modello è un surrogato di un codice fisico, e i principi della fisica si applicano allo stesso modo ovunque, è più facile estrapolare il nostro lavoro ad altri contesti”.

Fusione5

Prospettive future per i sistemi di controllo della fusione tramite l’AI

Il team sta già lavorando per perfezionare il proprio modello affinché sia ​​compatibile con altri dispositivi di fusione, compresi i futuri reattori pianificati come ITER, che è attualmente in costruzione.

Un’area di lavoro attiva nel gruppo di Kolemen riguarda il miglioramento delle capacità predittive del loro modello. Ad esempio, il modello attuale si basa ancora sull’incontro con diversi edge burst nel corso del processo di ottimizzazione prima di funzionare in modo efficace, ponendo rischi indesiderati per i futuri reattori. Se invece i ricercatori riuscissero a migliorare la capacità del modello di riconoscere i precursori di queste dannose instabilità, sarebbe possibile ottimizzare il sistema senza incontrare un singolo edge burst.

Kolemen ha affermato che il lavoro attuale è ancora un altro esempio del potenziale dell’intelligenza artificiale per superare i colli di bottiglia di lunga data nello sviluppo dell’energia da fusione come risorsa energetica pulita. In precedenza, i ricercatori avevano implementato con successo un controller AI separato per prevedere ed evitare un altro tipo di instabilità del plasma in tempo reale sul tokamak DIII-D.

Kolemen ha concluso: “Per molte delle sfide che abbiamo dovuto affrontare con la fusione, siamo arrivati ​​al punto in cui sappiamo come affrontare una soluzione, ma siamo stati limitati nella nostra capacità di implementare tali soluzioni a causa della complessità computazionale dei nostri strumenti tradizionali. Questi approcci di apprendimento automatico hanno sbloccato nuovi modi di affrontare queste ben note sfide della fusione”.

Articoli più letti

Related articles

2 Comments