ИИ, используемый для управления ядерным синтезом, разработанный DeepMind и EPFL
DeepMind, компания (принадлежащая Google), специализирующаяся на искусственном интеллекте, в настоящее время сотрудничает с исследователями из Швейцарского федерального технологического института в Лозанне (EPFL) в Швейцарском центре плазмы (CPS). В статье, опубликованной в журнале , они рассказывают, как им удалось упростить процесс управления плазмой при ядерном синтезе с помощью искусственного интеллекта.
Искусственный интеллект, о котором идет речь, показал, что способен удерживать плазму в токамаке и управлять ею, чтобы она принимала различные конфигурации.
Ядерный синтез, к изучению которого стремятся ученые, — это реакция, при которой два "легких" атомных ядра сталкиваются на высокой скорости и сливаются. Это явление высвобождает огромное количество энергии без негативных последствий, связанных сегодня с радиоактивными отходами и риском ядерного истощения. Это явление следует отличать от ядерного деления, которое основано на способности атомов (в основном урана) расщепляться на две части, что в настоящее время используется на наших атомных электростанциях.
Поэтому при ядерном синтезе выделяется очень большое количество энергии (больше, чем при делении). Чтобы дать вам представление, тот же самый феномен действует в нашем Солнце и других звездах! Когда ученым удается вызвать ядерный синтез, они получают так называемую водородную "плазму", которая обычно достигает более высокой температуры, чем на Солнце. Как и следовало ожидать, сдерживать всю эту энергию нелегко. Но чтобы извлечь из нее хоть какую-то энергию и иметь возможность использовать ее в будущем, необходимо сдерживать эту плазму, чтобы она могла сохраняться.
Если она не поддерживается, то и реакция не поддерживается. В звезде, где она (реакция) происходит естественным образом, именно сила гравитации действует как "смирительная рубашка" для энергии. На Земле для ее удержания ученые используют катушки, генерирующие магнитное поле. Однако эта знаменитая плазма очень нестабильна, и ее состояние постоянно меняется, поэтому ученым приходится проводить чрезвычайно сложные расчеты и моделирование, чтобы знать, как регулировать магнитное поле. "Например, система управления должна координировать множество магнитных катушек токамака и регулировать их напряжение тысячи раз в секунду, чтобы плазма никогда не касалась стенок сосуда, что привело бы к потере тепла и возможному повреждению", — объясняет DeepMind.
Несмотря на многолетние исследования, все эти корректировки и расчеты остаются сложными и трудоемкими. Более того, как объясняет DeepMind, доступ ученых к исследовательским структурам, таким как токамаки, ограничен, а многие из них хотят проводить эксперименты.
"Наш симулятор основан на более чем 20-летних исследованиях и постоянно обновляется", — объясняет Федерико Феличи, ученый из CPS и соавтор исследования, в пресс-релизе EPFL. "Но даже в этом случае все равно необходимы длительные расчеты для определения правильного значения каждой переменной в системе управления. Именно в этом заключается наш совместный исследовательский проект с компанией DeepMind".
Команда использовала искусственный интеллект, чтобы упростить весь процесс расчета. В ходе экспериментов выяснилось, что он способен автономно управлять 19 магнитными катушками для удержания и "лепки" плазмы, придавая ей различные формы. Исследователи основывают это на "обучении с подкреплением", используя нейронную сеть. Напомним, что нейронная сеть - это система, вдохновленная функционированием биологических нейронов, но адаптированная к статистическим методам. Искусственный интеллект "питается" данными для извлечения логических связей и обрабатывает их для получения результата.
Таким образом, искусственный интеллект начал "учиться", наблюдая за тем, как настройки катушек влияют на форму и характеристики плазмы. Затем ученые смогли установить цели, попросив его самостоятельно воссоздать эти формы. Плазма сначала содержалась обычными методами, а затем была оставлена на попечение ИИ. Затем оказалось, что он способен манипулировать ею как в симуляции, так и в реальной жизни. Никаких корректировок между моделированием и прямым экспериментом не проводилось. Можно было задавать цели по форме плазмы, ее стабильности или положению в резервуаре.
По словам ученых, такой подход "позволяет интуитивно определить целевые показатели эффективности, сосредоточившись на том, что должно быть достигнуто, а не каким образом". Поэтому это значительно упрощает расчеты. Это также позволяет использовать один контроллер для всех катушек, а не по одному на каждую катушку. Причина, по которой характеристики и форма плазмы так важны, заключается в том, что они влияют на возможность достижения лучшей стабильности, более эффективного удержания, а также оптимизации высвобождаемой энергии.
Например, ИИ смог воспроизвести так называемую конфигурацию "снежинки", форма которой позволяет лучше распределить энергию, высвобождаемую в резервуаре. Также можно было создать "капельную" форму, т.е. изолировать две разные плазмы в одном резервуаре, или форму "D", подобную той, которую планируется использовать в строящемся во Франции крупномасштабном токамаке ITER. Фактически, такое использование ИИ должно быть еще более полезным в больших реакторах, поскольку вычисления будут еще более сложными для выполнения.
"Это многообещающее новое направление в разработке плазменных контроллеров, способное ускорить термоядерную науку, исследовать новые конфигурации и помочь в разработке будущих токамаков", — говорится в исследовании.