Roma – Ottenere una reazione di fusione sostenuta è un delicato atto di equilibrio, che richiede che un mare di parti mobili si uniscano per mantenere un plasma ad alte prestazioni: abbastanza denso, abbastanza caldo e confinato abbastanza a lungo da consentire la fusione.
Tuttavia, mentre i ricercatori spingono i limiti delle prestazioni del plasma, si trovano di fronte a nuove sfide per tenerlo sotto controllo, inclusa una che prevede esplosioni di energia che fuoriescono dal bordo di un plasma surriscaldato. Questi edge burst hanno un impatto negativo sulle prestazioni complessive e nel tempo danneggiano persino i componenti di un reattore rivolti verso il plasma.
Ora, un team di ricercatori sulla fusione guidato da ingegneri di Princeton e del Princeton Plasma Physics Laboratory (PPPL) del Dipartimento dell’Energia degli Stati Uniti ha implementato con successo metodi di apprendimento automatico per sopprimere queste dannose instabilità dei bordi, senza sacrificare le prestazioni del plasma.
Con il loro approccio, che ottimizza la risposta di soppressione del sistema in tempo reale, il gruppo di ricerca ha dimostrato le massime prestazioni di fusione senza la presenza di edge burst in due diversi impianti di fusione, ciascuno con il proprio set di parametri operativi. I ricercatori hanno riportato le loro scoperte l’11 maggio su Nature Communications, sottolineando il vasto potenziale dell’apprendimento automatico e di altri sistemi di intelligenza artificiale per annullare rapidamente le instabilità del plasma.
Raffigurazione di un tokamak.
CREDITO
Illustrazione di Bumper DeJesus, Centro Andlinger per l’energia e l’ambiente.
“Non solo abbiamo dimostrato che il nostro approccio è in grado di mantenere un plasma ad alte prestazioni senza instabilità, ma abbiamo anche dimostrato che può funzionare in due strutture diverse”, ha affermato il leader della ricerca Egemen Kolemen , professore associato di ingegneria meccanica e aerospaziale e dell’Andlinger Centro per l’Energia e l’Ambiente . “Abbiamo dimostrato che il nostro approccio non è solo efficace, ma anche versatile.”
I costi dell’alto confinamento
I ricercatori hanno a lungo sperimentato vari modi di far funzionare i reattori a fusione per ottenere le condizioni necessarie per la fusione. Uno degli approcci più promettenti prevede il funzionamento di un reattore in modalità ad alto confinamento, un regime caratterizzato dalla formazione di un forte gradiente di pressione ai margini del plasma che offre un migliore confinamento del plasma.
Tuttavia, la modalità ad alto confinamento è storicamente andata di pari passo con le instabilità ai margini del plasma, una sfida che ha richiesto ai ricercatori della fusione di trovare soluzioni alternative creative.
Una soluzione prevede l’utilizzo delle bobine magnetiche che circondano un reattore a fusione per applicare campi magnetici al bordo del plasma, rompendo le strutture che altrimenti potrebbero svilupparsi in una vera e propria instabilità del bordo. Tuttavia questa soluzione è imperfetta: pur essendo riuscita a stabilizzare il plasma, l’applicazione di queste perturbazioni magnetiche porta in genere a prestazioni complessive inferiori.
“Abbiamo un modo per controllare queste instabilità, ma a nostra volta abbiamo dovuto sacrificare le prestazioni, che è in primo luogo una delle motivazioni principali per operare in modalità di confinamento elevato”, ha affermato Kolemen, che è anche un fisico ricercatore presso PPPL.
La perdita di prestazioni è in parte dovuta alla difficoltà di ottimizzare la forma e l’ampiezza delle perturbazioni magnetiche applicate, che a sua volta deriva dall’intensità computazionale degli approcci di ottimizzazione esistenti basati sulla fisica. Questi metodi convenzionali implicano una serie di equazioni complesse e possono richiedere decine di secondi per ottimizzare un singolo punto nel tempo, tutt’altro che ideale quando il comportamento del plasma può cambiare in soli millisecondi. Di conseguenza, i ricercatori sulla fusione hanno dovuto preimpostare la forma e l’ampiezza delle perturbazioni magnetiche prima di ogni fusione, perdendo la capacità di apportare modifiche in tempo reale.
“In passato, tutto doveva essere pre-programmato”, ha affermato il co-primo autore SangKyeun Kim , ricercatore presso il PPPL ed ex ricercatore post-dottorato nel gruppo di Kolemen. “Questa limitazione ha reso difficile ottimizzare veramente il sistema, perché significa che i parametri non possono essere modificati in tempo reale a seconda di come si sviluppano le condizioni del plasma.”
Aumentare le prestazioni riducendo i tempi di calcolo
L’approccio di apprendimento automatico del team guidato da Princeton riduce il tempo di calcolo da decine di secondi a scala di millisecondi, aprendo la porta all’ottimizzazione in tempo reale. Il modello di apprendimento automatico, che è un surrogato più efficiente dei modelli esistenti basati sulla fisica, può monitorare lo stato del plasma da un millisecondo al successivo e alterare l’ampiezza e la forma delle perturbazioni magnetiche secondo necessità. Ciò consente al controller di trovare un equilibrio tra la soppressione degli edge burst e le elevate prestazioni di fusione, senza sacrificare l’una a favore dell’altra.
“Con il nostro modello surrogato di apprendimento automatico, abbiamo ridotto di diversi ordini di grandezza il tempo di calcolo di un codice che volevamo utilizzare”, ha affermato il co-primo autore Ricardo Shousha, ricercatore post-dottorato presso PPPL ed ex studente laureato nel gruppo di Kolemen.
Poiché il loro approccio è in definitiva basato sulla fisica, i ricercatori hanno affermato che sarebbe stato semplice applicarlo a diversi dispositivi di fusione in tutto il mondo. Nel loro articolo, ad esempio, hanno dimostrato il successo del loro approccio sia al tokamak KSTAR in Corea del Sud che al tokamak DIII-D a San Diego. In entrambe le strutture, ciascuna dotata di un set unico di bobine magnetiche, il metodo ha ottenuto un forte confinamento e prestazioni di fusione elevate senza dannose esplosioni ai bordi del plasma.
“Alcuni approcci di machine learning sono stati criticati per essere basati esclusivamente sui dati, il che significa che sono validi solo quanto la quantità di dati di qualità su cui sono addestrati”, ha affermato Shousha. “Ma poiché il nostro modello è un surrogato di un codice fisico, e i principi della fisica si applicano allo stesso modo ovunque, è più facile estrapolare il nostro lavoro ad altri contesti”.
Il team sta già lavorando per perfezionare il proprio modello affinché sia compatibile con altri dispositivi di fusione, compresi i futuri reattori pianificati come ITER , che è attualmente in costruzione.
Un’area di lavoro attiva nel gruppo di Kolemen riguarda il miglioramento delle capacità predittive del loro modello. Ad esempio, il modello attuale si basa ancora sull’incontro con diversi edge burst nel corso del processo di ottimizzazione prima di funzionare in modo efficace, ponendo rischi indesiderati per i futuri reattori. Se invece i ricercatori riuscissero a migliorare la capacità del modello di riconoscere i precursori di queste dannose instabilità, sarebbe possibile ottimizzare il sistema senza incontrare un singolo edge burst.
Kolemen ha affermato che il lavoro attuale è ancora un altro esempio del potenziale dell’intelligenza artificiale per superare i colli di bottiglia di lunga data nello sviluppo dell’energia da fusione come risorsa energetica pulita. In precedenza, i ricercatori guidati da Kolemen avevano implementato con successo un controller AI separato per prevedere ed evitare un altro tipo di instabilità del plasma in tempo reale sul tokamak DIII-D.
“Per molte delle sfide che abbiamo dovuto affrontare con la fusione, siamo arrivati al punto in cui sappiamo come affrontare una soluzione, ma siamo stati limitati nella nostra capacità di implementare tali soluzioni a causa della complessità computazionale dei nostri strumenti tradizionali”, ha affermato Kolemen . “Questi approcci di apprendimento automatico hanno sbloccato nuovi modi di affrontare queste ben note sfide della fusione”.(30Science.com)
