谷歌AI人工智能增强了聚变能源的等离子体控制

谷歌已应用人工智能来管理核聚变反应堆内的等离子体。谷歌的英国人工智能子公司 DeepMind Technologies 与 EPFL 的瑞士等离子中心 (École Polytechnique Fédérale de Lausanne )合作，利用其机器学习专业知识来管理一个圆形核聚变反应堆托卡马克。该研究结果发表在《 自然》杂志上，可能为将聚变发展为可持续能源提供新途径。

实现核聚变的主要挑战之一是在托卡马克反应堆中容纳等离子体，同时防止其与边界发生碰撞。为了避免这种情况，瑞士等离子中心的研究人员使用计算机模拟器来测试替代控制系统。

EPFL 研究人员表示，这些模拟的困难在于使用了许多变量，每个变量都需要大量时间和资源才能获得正确的结果。调整等离子体排列也需要大量的工程和设计工作，以及计算能力。

瑞士研究人员与 DeepMind 工程师合作开发了一种控制磁线圈的算法，从而减少了执行复杂计算的需要。该系统在托卡马克上进行了测试，以评估其实际性能。

托卡马克前进

1960 年代，科学家们首次认识到托卡马克实现聚变条件的潜力。俄罗斯 T3 托卡马克获得的等离子体温度远高于以前的聚变发动机。

在 1980 年代，研究人员进行的理论研究表明，改变托卡马克几何形状可以提高性能。将球形托卡马克的更高效率与高温超导磁体技术提供的改进磁约束相结合，为商业聚变打开了大门。

托卡马克的环形真空室是它跳动的心脏。当气态氢燃料暴露于高温时会产生等离子体。等离子体环境提供了混合和产生能量的成分。

等离子体中的带电粒子由强磁线圈形成，该线圈用于将等离子体与结构壁分离，同时保持结合粒子所需的厚度。真空室内没有空气或污染物，磁铁保持和调节等离子体，然后在引入气体燃料之前对其进行充电。当大电流通过容器时，气体会发生电分解，当电子从原子核中剥离时会发生电离，从而产生等离子体。随着等离子粒子充电和碰撞，它们开始升温。使用当前技术，聚变温度（150 到 3 亿摄氏度之间）触手可及。

当粒子受到“刺激”时，尽管它们固有的电磁排斥力，它们仍会发生碰撞和合并。聚变过程中释放出大量能量。

聚变能

在托卡马克配置中使用磁约束的核聚变有朝一日可能成为一种可持续的能源。众多障碍之一是在托卡马克中建模和维持高温等离子体。这需要使用磁致动器线圈进行高频闭环控制，由于不同等离子体配置的需求，这一步骤变得更加困难。等离子体状态不断变化，但无法持续测量，这使研究工作进一步复杂化。

欧洲托卡马克核反应堆项目JET能够产生 59 兆焦耳，同时保持 5 秒的聚变反应。今年早些时候，名为EAST的平行人造太阳项目 表示，其托卡马克反应堆的温度达到了太阳温度的五倍，并维持了 17 分钟。

控制托卡马克反应堆中的等离子体需要持续的磁场监测。保持由离子和电子形成的热等离子体的稳定性是困难的。DeepMind 的方法通过一种新算法通过磁约束解决了这一挑战。DeepMind 团队首先在计算机模拟中训练其算法，然后在实验阶段。AI 模型用于通过每秒 10,000 次进行 90 次不同的测量来监测等离子体。然后它相应地调整了反应堆的 19 个磁铁的电压。

控制器设计架构的组件

人工智能算法

根据Nature 文章，研究人员训练了一个深度学习系统来控制瑞士等离子中心可变配置托卡马克内部的磁线圈。该设施被用来进行指导未来更大聚变反应堆设计的研究。

最初通过模拟训练的神经网络最初观察到 19 个线圈中每个线圈的设置变化如何影响托卡马克内部的等离子体形状。接下来，人工智能模型试图通过检查几种配置来重建等离子体，包括 D 形横截面和雪花配置，这些配置可以均匀地消散结构内反应产生的强烈热量。DeepMind 的方法确定了如何通过在模拟和实验中精确操纵磁线圈来创建这些形状。

该架构（上图）被吹捧为设计托卡马克磁约束控制器的灵活方法。它由三个步骤组成。首先，设计者指定实验的目标，伴随着随时间变化的控制目标。接下来，算法与托卡马克模拟器交互以找到接近最优的控制策略来满足指定目标。最后，以神经网络表示的控制策略直接在托卡马克硬件上实时执行。

确认 DeepMind 的方法可以推进等离子体研究，重点关注聚变发电厂最重要的元素，从而实现更好的控制，以实现所需的能量平衡。结果还说明了深度学习在加速融合研究方面的潜力。

自 2014 年以来，谷歌还一直与美国聚变研究机构TAE Technologies合作，将其机器学习方法应用于不同类型的聚变反应堆。