幾十年來，核聚變釋放能量的「精妙」過程一直吸引著科學家們的研究興趣。
現在，在普林斯頓等離子體物理實驗室（PPPL）中 ，科學家正藉助人工智慧，來解決人類面臨的緊迫挑戰：透過聚變等離子體產生清潔、可靠的能源。
與傳統的計算機程式碼不同，機器學習不僅僅是指令列表，它可以分析資料、推斷特徵之間的關係、從新知識中學習並適應。
PPPL 研究人員相信，這種學習和適應能力可以透過多種方式改善他們對聚變反應的控制。這包括完善超熱等離子體周圍容器的設計、最佳化加熱方法以及在越來越長的時間內保持反應的穩定控制。
近日，PPPL 的 AI 研究取得重大成果。PPPL 研究人員解釋了他們如何使用機器學習來避免磁擾動破壞聚變等離子體的穩定性。
該論文的主要作者、PPPL 研究物理學家 SangKyeun Kim 表示：「研究結果令人印象深刻，因為我們能夠使用相同的程式碼在兩個不同的託卡馬克裝置上實現這些結果。」
相關研究以《Highest fusion performance without harmful edge energy bursts in tokamak》為題，釋出在《Nature Communications》上。
抑制聚變中「邊緣爆發」
為了使聚變能在全球能源市場上具有經濟競爭力，它必須在維持聚變的同時，實現具有足夠等離子體密度（n）、溫度（T）和能量約束時間（τ）的高聚變三重積（nτT）。
換句話說，聚變等離子體需要足夠的品質因數（G ∝ nτT）才能實現高聚變效能，並且隨著等離子體約束質量 (H89：歸一化能量約束時間) 的增加而增加。
為了使託卡馬克設計成為聚變反應堆的可行選擇，必須開發可靠的方法來定期抑制邊緣爆發（edge burst）事件而不影響 G。
科學家已經透過各種方法來減輕邊緣爆發事件。一種有效的方法是利用外部 3D 場線圈的共振磁擾動 (RMP)，這已被證明是最有前途的邊緣爆發抑制方法之一。
然而，這種情況的代價高昂，導致 H89 和 G 與標準高約束等離子體體系相比顯著惡化，從而削弱了經濟前景。此外，3D 場還增加了災難性核心不穩定的風險，稱為中斷，這甚至比邊緣爆裂更嚴重。因此，無邊緣爆發操作與高約束操作的安全可及性和相容性亟待探索。
首次在兩個託卡馬克上實現
該研究首次在 KSTAR 和 DIII-D 兩個託卡馬克上進行了創新和整合的 3D 場最佳化，透過結合機器學習 (ML)、自適應和多機器功能，來自動訪問和實現幾乎幾乎完全無邊緣爆發狀態，同時從最初的爆發抑制狀態提高等離子體聚變效能，這是未來反應堆實現無邊緣爆發執行的一個重要里程碑。
這是透過實時利用無邊緣爆發起始和損耗之間的滯後來增強等離子體約束，同時擴充套件 ML 在捕獲物理和最佳化核聚變技術方面的能力來實現的。
這種整合有助於：
高度增強等離子體約束，在兩臺機器的無邊界局域模（Edge Localized Mode-free，ELM-free）場景中達到最高融合 G，G 增加高達 90%；
使用基於 ML 的 3D 場模擬器首次實現全自動 3D 場最佳化；
從等離子體操作一開始就同時建立爆發抑制，實現接近 ITER 相關水平的幾乎完全的無邊緣爆發操作。這一成就為國際熱核聚變實驗反應堆（ITER）等未來裝置邁出了至關重要的一步，在這些裝置中，依賴經驗 RMP 最佳化不再是可行或可接受的方法。
「等離子體中存在不穩定性，可能會導致聚變裝置嚴重損壞。我們不能在商業聚變容器中使用這些物質。我們的工作推動了該領域的發展，並表明人工智慧可以在管理聚變反應方面發揮重要作用，避免不穩定，同時允許等離子體產生儘可能多的聚變能。」通訊作者、PPPL 機械和航空航天工程系副教授 Egemen Kolemen 說道。
基於 ML 的全自動 3D 場最佳化
在本實驗中，使用一系列放電來尋找安全 ELM 抑制的最佳化 3D 波形。
在此背景下，研究引入了 ML 技術來開發自動化 3D 線圈最佳化的新穎路徑，並首次演示了該概念。
研究人員開發了 GPEC 程式碼的代理模型 (ML-3D)，以實時利用基於物理的模型。該模型使用 ML 演算法將計算時間加速到 ms 級，並整合到 KSTAR 中的自適應 RMP 最佳化器中。
ML-3D 由一個完全連線的多層感知器（MLP）組成，由九個輸入驅動。為了訓練該模型，利用 8490 KSTAR 平衡的 GPEC 模擬。
該演算法利用 ELM 狀態監視器（Dα）訊號實時調整 IRMP，可以保持足夠的邊緣 3D 場來訪問和維持 ELM 抑制。同時，3D 場最佳化器使用 ML-3D 的輸出來調整 3D 線圈上的電流分佈，從而保證安全的 3D 場以避免中斷。
KSTAR 實驗中，ML 整合的自適應 RMP 最佳化器在 4.5 秒內觸發，在 6.2 秒內實現安全的 ELM 抑制。
研究還表明 3D-ML 作為自動化無 ELM 訪問的可行解決方案。ML-3D 基於物理模型，不需要實驗資料，使其可以直接擴充套件到 ITER 和未來的聚變反應堆。這種對未來裝置的強大適用性凸顯了 ML 整合 3D 場最佳化方案的優勢。此外，在未來的 3D 線圈電流限制更高的裝置中，有望實現更好的場最佳化和更高的聚變效能。
研究成功最佳化了 KSTAR 和 DIII-D 裝置中的受控 ELM-free 狀態，並具有高度增強的聚變效能，涵蓋了與未來反應堆相關的 low-n RMP 到 ITER 相關的 nRMP = 3 RMP，並在兩臺機器中實現了各種 ELM-free 場景中的最高水平。
此外，ML 演算法與 RMP 控制的創新整合首次實現了全自動 3D 場最佳化和 ELM-free 操作，並在自適應最佳化流程的支援下，效能得到了顯著增強。這種自適應方法展現了 RMP ELM 抑制和高限制之間的相容性。
此外，它還提供了一種穩健的策略，透過最大限度地減少限制和無感電流分數的損失，在長脈衝場景（持續超過 45 秒）中實現穩定的 ELM 抑制。
值得注意的是，在 nRMP = 3 RMP 的 DIII-D 中觀察到顯著的效能 (G) 提升，顯示較初始標準 ELM 抑制狀態提高了 90% 以上。這種增強不僅歸因於自適應 RMP 控制，還歸因於等離子體旋轉的自洽演化。該響應能夠以非常低的 RMP 幅度進行 ELM 抑制，從而增強基座。此功能是系統透過對自適應調製的自組織響應過渡到最佳狀態的一個很好的例子。
此外，自適應方案與早期的 RMP-ramp 方法相結合，實現了 ITER 相關的 ELM-free 場景，幾乎完全 ELM-free 操作。這些結果證實，整合自適應 RMP 控制是一種非常有前途的最佳化 ELM 抑制狀態的方法，有可能解決實現實用且經濟可行的聚變能源的最艱鉅的挑戰之一。
參考內容：https://phys.org/news/2024-05-ai-intensive-aspects-plasma-physics.html
【推薦閱讀】
登Nature，提前300毫秒預測聚變中等離子體「撕裂」，普林斯頓團隊開發AI控制器 快速篩選海量資料，即時做出明智決策，MIT、普林斯頓&卡內基梅隆大學團隊利用LLM進行聚變研究
機器學習為未來核聚變發電廠尋找合適的氫同位素組合
模擬精度提高65%，訓練時間減少3倍及以上，DeepMind用強化學習控制核聚變取得進展