AI kontroluje plazmę fuzyjną szybciej niż człowiek

W reaktorach fuzyjnych cząstki gorętsze niż jądro Słońca mogą tracić stabilność w ciągu zaledwie kilku tysięcznych sekundy. Dla człowieka to zbyt szybko, by podjąć jakąkolwiek skuteczną reakcję. Zespół naukowców z Princeton Plasma Physics Laboratory (PPPL) oraz Princeton University opracował rozwiązanie tego problemu – framework programistyczny oparty na sztucznej inteligencji, który podejmuje decyzje w czasie rzeczywistym, zachowując przy tym ścisłe zabezpieczenia i pozostawiając człowiekowi kontrolę nad celami systemu.

Narzędzie otrzymało nazwę PACMAN (Prediction And Control using MAchiNe learning). Jego konstrukcję oraz wstępne wyniki opisano w publikacji w czasopiśmie „Nuclear Fusion”. System przetestowano na rzeczywistym urządzeniu fuzyjnym w pięciu niezależnych eksperymentach.

Dlaczego kontrola plazmy wymaga decyzji w milisekundach

Fuzja jądrowa może w przyszłości dostarczać praktycznie nieograniczone ilości energii elektrycznej. Jednym z kluczowych podejść do jej realizacji na Ziemi są tokamaki – urządzenia wykorzystujące silne pola magnetyczne do utrzymywania plazmy, czyli zjonizowanego gazu określanego mianem czwartego stanu materii. Aby reakcja fuzyjna przebiegała nieprzerwanie, plazma musi pozostawać gorąca, gęsta i stabilna. Osiągnięcie tego wymaga ciągłego dostrajania systemów grzewczych, magnesów oraz wtryskiwaczy gazu.

Nawet niewielkie zaburzenia w plazmie, nazywane niestabilnościami, mogą narastać w ciągu milisekund i zakłócić reakcję. Przewidywanie zachowania plazmy to osobne wyzwanie – zaawansowane symulacje komputerowe potrafią zajmować dni, a nawet miesiące. Choć są cenne przy planowaniu eksperymentów, okazują się zbyt wolne, gdy cały test trwa zaledwie kilka minut.

„To świetne rozwiązanie przy przygotowaniach do eksperymentu za rok, ale do sterowania potrzebujemy modeli, które podejmują decyzję w danym momencie. Modele uczenia maszynowego dobrze opisują zachowanie plazmy i co ważne, są jedynym sposobem modelowania jej w skali milisekund” – mówi Hiro Farre Kaga, współautor publikacji i doktorant w Princeton Program in Plasma Physics.

Jak PACMAN łączy wiele modeli AI w jeden system

Uczenie maszynowe już wcześniej pokazało potencjał w sterowaniu plazmą fuzyjną. Problem polegał jednak na tym, że dotychczasowe rozwiązania powstawały osobno, bez wspólnej architektury umożliwiającej współpracę różnych modeli. Systemy fuzyjne wymagają jednoczesnego monitorowania wielu elementów – zarówno samego urządzenia, jak i plazmy – dlatego potrzebują kilku modeli działających równolegle.

PACMAN został zaprojektowany właśnie jako taka wspólna struktura. „Stworzyliśmy framework, dzięki któremu modele mogą się komunikować, wymieniać wyniki i prowadzić zaawansowane badania fizyczne w jednym zintegrowanym systemie” – wyjaśnia Andy Rothstein, współautor pracy z Department of Mechanical and Aerospace Engineering na Princeton University.

System działa w pętli sterowania, która powtarza się znacznie szybciej, niż potrafiłby to człowiek. Jak zauważa Rothstein, nawet bardzo skupiony operator reaguje w skali sekund, podczas gdy cały framework PACMAN wykonuje pełny cykl w około 20 milisekund – i robi to wielokrotnie, dostrzegając drobne zmiany w plazmie i korygując je w sposób niedostępny dla ludzi.

Struktura działania przypomina linię montażową

PACMAN funkcjonuje podobnie do linii produkcyjnej z czterema stacjami. Najpierw zbiera bieżące pomiary z tokamaka – temperaturę, gęstość oraz sygnały magnetyczne. Następnie sprawdza je pod kątem błędów i łączy w jeden pakiet danych.

W kolejnym kroku modele AI wybierają potrzebne im odczyty i na ich podstawie szacują, co aktualnie dzieje się w plazmie lub co może się wydarzyć w następnej chwili. Kontrolery na tej podstawie ustalają niezbędne działania, na przykład zwiększenie mocy wiązki grzewczej. W ostatnim etapie PACMAN rozwiązuje sprzeczne polecenia, nakłada ścisłe limity bezpieczeństwa sprzętu i wysyła zatwierdzone komendy do tokamaka. Ponieważ modele i kontrolery działają niezależnie, naukowcy mogą dodawać nowe komponenty bez zakłócania reszty systemu.

Testy na prawdziwym tokamaku DIII-D

Badacze sprawdzili elastyczność PACMAN w pięciu eksperymentach przeprowadzonych na tokamaku DIII-D National Fusion Facility w San Diego, należącym do Departamentu Energii USA. W trakcie testów system między innymi:

pozwolił modelowi AI wytrenowanemu metodą prób i błędów (uczenie ze wzmocnieniem) przejąć pełną kontrolę nad systemami grzewczymi,
przewidział nagłe wybuchy energii na krawędzi plazmy,
wykrył i kontrolował fale w plazmie wywołane przez szybkie cząstki,
dostroił gęstość i rotację plazmy do wartości zadanych przez naukowców,
przewidział niestabilność typu tearing mode i powstrzymał ją, zanim się rozwinęła.

Eksperyment z tearing mode pokazał jedną z największych zalet systemu. Konwencjonalne kontrolery nie potrafią zidentyfikować tej niestabilności, dopóki się nie pojawi – a wtedy próbują ją tłumić, co często pogarsza wydajność. „W jednym z przedstawionych eksperymentów model uczenia maszynowego przewidział tearing mode około 200 milisekund wcześniej, dzięki czemu można było zmienić plazmę tak, by w ogóle do niego nie dopuścić” – tłumaczy Farre Kaga.

PACMAN potrafił również koordynować jednocześnie wszystkie sześć gyrotronów DIII-D – urządzeń ogrzewających plazmę silnymi wiązkami mikrofal. Aby osiągnąć złożone cele wyznaczone wcześniej przez badaczy, framework regulował moc gyrotronów i jednocześnie repositionował ich lustra w czasie rzeczywistym. „Wcześniej nie istniał algorytm, który znalazłby takie optymalne rozwiązanie. Gdy eksperyment się zakończył i spojrzeliśmy na dane, okazało się, że system robił dokładnie to, czego oczekiwaliśmy – jednocześnie przesuwał wszystkie sześć w optymalny sposób” – dodaje Farre Kaga.

Szybsze iteracje, ale człowiek wciąż przy sterach

Rothstein przyznaje, że najbardziej zaskakującym wynikiem była szybkość, z jaką można dodawać kolejne modele AI. Opracowanie frameworka i wdrożenie pierwszego modelu zajęło miesiące. „Potem przyszło wdrożenie drugiego modelu i zajęło kilka dni. Testowanie było łatwiejsze, błędów znacznie mniej. DIII-D to przede wszystkim maszyna badawcza i czasem coś idzie nie po naszej myśli. Jeśli możesz dodać model w tydzień, to w kolejnym tygodniu możesz go przetrenować i zastąpić nowym. To umożliwia iterację, która wcześniej nie była możliwa” – mówi.

Naukowcy podkreślają jednak, że framework nie ma zastąpić ludzi w eksperymentach fuzyjnych. PACMAN stosuje limity bezpieczeństwa sprzętu niezależnie od tego, co sugeruje model AI, a fizycy analizują wyniki po każdym teście, by dopracować kontrolery przed kolejną próbą. „Niezależnie od tego, jak zaawansowane są kontrolery, ostatecznie to człowiek ustala parametry sterowania” – zaznacza Farre Kaga.

Elastyczna platforma dla przyszłych maszyn fuzyjnych

Modułowa budowa PACMAN może okazać się przydatna także poza DIII-D. Twórcy uważają, że framework da się zaadaptować do tokamaków o różnych kształtach, rozmiarach i wyposażeniu, w tym do maszyn, które jeszcze nie powstały.

„PACMAN wykorzystuje elastyczną konfigurację, w której można łączyć algorytmy AI jak klocki. Możesz dodać nowy, wymienić istniejący albo uruchomić kilka naraz, nie ruszając reszty systemu. Ta modularność zamienia kontrolę plazmy z pomocą AI z serii pojedynczych demonstracji w infrastrukturę, na której może budować całe środowisko fuzyjne” – podkreśla Egemen Kolemen, profesor nadzwyczajny na Princeton University, związany również z Andlinger Center for Energy and the Environment oraz PPPL.

Wśród pozostałych autorów publikacji znaleźli się Ricardo Shousha, Keith Erickson i SangKyeun Kim z PPPL, Jalal-ud-din Butt, Peter Steiner i Azarakhsh Jalalvand z Princeton University oraz Takuma Wakatsuki z japońskiego National Institutes for Quantum Science and Technology. Badania sfinansowało DOE Office of Science w ramach DIII-D National Fusion Facility oraz National Science Foundation Graduate Research Fellowship.

PACMAN pokazuje, że sztuczna inteligencja może stać się realnym wsparciem w jednym z najtrudniejszych wyzwań energetyki – utrzymaniu stabilnej plazmy fuzyjnej. Modularna architektura i zdolność do pracy w skali milisekund otwierają drogę do szybszego rozwoju eksperymentów, a w dłuższej perspektywie – być może także do budowy komercyjnych reaktorów fuzyjnych, w których człowiek pozostanie odpowiedzialny za cele, a AI za błyskawiczne decyzje.