Η επιτυχής εφαρμογή της πυρηνικής σύντηξης υπόσχεται να παρέχει μια απεριόριστη, βιώσιμη πηγή καθαρής ενέργειας, αλλά μπορούμε να πραγματοποιήσουμε αυτό το απίστευτο όνειρο μόνο εάν κατακτήσουμε την πολύπλοκη φυσική που συμβαίνει μέσα στον αντιδραστήρα.
Κατά τη διάρκεια των δεκαετιών, οι επιστήμονες έχουν κάνει σταδιακά βήματα προς αυτόν τον στόχο, αλλά πολλά προβλήματα παραμένουν άλυτα. Ένα από τα κύρια εμπόδια είναι η επιτυχής διαχείριση του ασταθούς και υπερθερμασμένου πλάσματος στον αντιδραστήρα – αλλά μια νέα προσέγγιση δείχνει πώς μπορούμε να το κάνουμε.
Σε μια συνεργασία μεταξύ του Ελβετικού Κέντρου Πλάσματος (SPC) της EPFL και της εταιρείας τεχνητής νοημοσύνης (AI) DeepMind, οι επιστήμονες χρησιμοποίησαν ένα σύστημα βαθιάς ενίσχυσης εκμάθησης (RL) για να μελετήσουν τις αποχρώσεις της συμπεριφοράς και του ελέγχου του πλάσματος σε ένα tokamak σύντηξης σε σχήμα ντόνατ. , το οποίο χρησιμοποιεί μια σειρά από μαγνητικά πηνία που βρίσκονται γύρω από τον αντιδραστήρα για τον έλεγχο και το χειρισμό του πλάσματος μέσα σε αυτόν.
Είναι μια δύσκολη πράξη εξισορρόπησης επειδή τα πηνία απαιτούν έναν τεράστιο αριθμό λεπτών ρυθμίσεων τάσης, έως και χιλιάδες φορές ανά δευτερόλεπτο, για να διατηρήσουν με επιτυχία το πλάσμα εντός του μαγνητικού πεδίου. Έτσι, η διατήρηση των αντιδράσεων πυρηνικής σύντηξης - που περιλαμβάνει τη διατήρηση της σταθερότητας του πλάσματος σε εκατοντάδες εκατομμύρια βαθμούς Κελσίου, θερμότερο ακόμη και από τον πυρήνα του Ήλιου - απαιτεί πολύπλοκα συστήματα πολλαπλών επιπέδων για τον έλεγχο των πηνίων. Ωστόσο, σε μια νέα μελέτη, οι επιστήμονες έχουν δείξει ότι ένα σύστημα τεχνητής νοημοσύνης μπορεί να αντιμετωπίσει αυτό το έργο μόνο του.
«Χρησιμοποιώντας μια αρχιτεκτονική εκμάθησης που συνδυάζει βαθιά RL και ένα περιβάλλον προσομοίωσης, δημιουργήσαμε ελεγκτές που μπορούν να διατηρήσουν το πλάσμα σε σταθερή κατάσταση και να το χρησιμοποιήσουν για να αποδώσουν με ακρίβεια διαφορετικά σχήματα», εξηγεί η ομάδα σε μια ανάρτηση ιστολογίου της DeepMind. Για να επιτύχουν αυτό το κατόρθωμα, οι ερευνητές εκπαίδευσαν το σύστημά τους AI σε έναν προσομοιωτή tokamak, στον οποίο το σύστημα μηχανικής μάθησης έμαθε μέσω δοκιμής και λάθους πώς να πλοηγείται στην πολυπλοκότητα του μαγνητικού περιορισμού του πλάσματος. Μετά την αποφοίτησή του, η τεχνητή νοημοσύνη το πήγε στο επόμενο επίπεδο εφαρμόζοντας όσα έμαθε στον προσομοιωτή στον πραγματικό κόσμο.
Οδηγώντας ένα tokamak μεταβλητής διαμόρφωσης SPC (TCV), το σύστημα RL έδωσε στο πλάσμα μέσα στον αντιδραστήρα διαφορετικά σχήματα, συμπεριλαμβανομένου ενός που δεν είχε ξαναδεί ποτέ σε TCV: σταθεροποιώντας "σταγονίδια" όπου δύο πλάσματα συνυπήρχαν ταυτόχρονα μέσα στη συσκευή. Εκτός από τα παραδοσιακά σχήματα, το AI θα μπορούσε επίσης να δημιουργήσει προηγμένες διαμορφώσεις, δίνοντας στο πλάσμα σχήματα «αρνητικού τριγώνου» και «νιφάδας χιονιού».
Κάθε μία από αυτές τις εκδηλώσεις έχει διαφορετική δυνατότητα για παραγωγή ενέργειας στο μέλλον, εάν μπορέσουμε να διατηρήσουμε τις αντιδράσεις πυρηνικής σύντηξης. Μία από τις διαμορφώσεις που ελέγχονται από αυτό το σύστημα, το «σχήμα που μοιάζει με ITER», μπορεί να είναι ιδιαίτερα υποσχόμενο για μελλοντική μελέτη στον Διεθνή Θερμοπυρηνικό Πειραματικό Αντιδραστήρα (ITER), το μεγαλύτερο πείραμα πυρηνικής σύντηξης στον κόσμο, που βρίσκεται υπό κατασκευή στη Γαλλία.
Σύμφωνα με τους ερευνητές, ο μαγνητικός έλεγχος αυτών των σχηματισμών πλάσματος είναι «ένα από τα πιο πολύπλοκα συστήματα του πραγματικού κόσμου στα οποία έχει εφαρμοστεί ενισχυτική μάθηση» και θα μπορούσε να προσφέρει μια ριζική νέα κατεύθυνση στο σχεδιασμό των tokamaks του πραγματικού κόσμου. Όχι μόνο αυτό, αλλά ορισμένοι πιστεύουν ότι θα αλλάξει ριζικά το μέλλον των προηγμένων συστημάτων ελέγχου πλάσματος στους αντιδραστήρες σύντηξης.
Διαβάστε επίσης: