نظارت بر ناپایداری رآکتور همجوشی هسته‌ای با هوش مصنوعی
پژوهشگران موفق به استفاده از هوش مصنوعی برای پیش‌بینی بی‌ثباتی و ناپایداری لحظه‌ای پلاسما در رآکتور همجوشی هسته‌ای شدند.
به گزارش ایسنا، نیروی همجوشی هسته‌ای، خورشید را نیرو می‌دهد و در نتیجه حیات روی زمین را ممکن می‌کند.
به نقل از اس‌ای، درون توکاماک(tokamak)، محفظه‌ای به شکل دونات که برای رقم زدن جادوی همجوشی هسته‌ای طراحی شده است، اتم‌های هیدروژن با نیروی عظیمی به یکدیگر برخورد می‌کنند و پلاسمایی فوق‌العاده داغ و چرخان را می‌سازند که حتی داغ‌تر از خورشید است.
همجوشی هسته‌ای پتانسیل تبدیل شدن به یک منبع انرژی پایدار را دارد، زیرا از ایزوتوپ‌های هیدروژن استفاده می‌کند که فراوان هستند و می‌توانند از آب و منابع دیگر استخراج شوند.
دانشمندان به تازگی یک راه حل مبتنی بر هوش مصنوعی برای پیش‌بینی بی‌ثباتی و ناپایداری احتمالی پلاسما به نام «ناپایداری حالت گسستگی» ابداع کرده‌اند.
اینها در اثر برهمکنش جریان و گرادیان فشار در پلاسما ایجاد می‌شوند و منجر به جزایر مغناطیسی می‌شوند که محصور شدن را مختل می‌کنند.
در حالی که همجوشی هسته‌ای نویدبخش است، چالش‌های فنی و مهندسی قابل توجهی برای آن باقی مانده است که اگر می‌خواهیم از قدرت همجوشی در مقیاس تجاری استفاده کنیم، باید بر آنها غلبه کرد.
یکی از این چالش‌ها این است که پلاسمای داخل یک رآکتور همجوشی می‌تواند ثبات خود را از دست بدهد. بی‌ثباتی پلاسما می‌تواند منجر به اختلالاتی شود که رویدادهای ناگهانی و در مقیاس بزرگ هستند که می‌توانند باعث از بین رفتن محصور شدن و خاتمه فرآیند همجوشی شوند.
جائه‌مین سئو نویسنده ارشد این مطالعه گفت: ناپایداری حالت گسستگی یکی از دلایل اصلی اختلال پلاسما است و زمانی که ما سعی می‌کنیم واکنش‌های همجوشی را با قدرت‌های بالایی که برای تولید انرژی کافی لازم است، انجام دهیم، برجسته‌تر خواهد شد. آنها چالش مهمی برای ما هستند که باید آنها را حل کنیم.
دانشمندان در مرکز ملی فیوژن DIII-D در سن دیگو آمریکا نشان دادند که مدل هوش مصنوعی آنها که با استفاده از داده‌های قدیمی آموزش داده شده است، می‌تواند ناپایداری‌های حالت گسستگی را تا 300 میلی‌ثانیه قبل از وقوع پیش‌بینی کند.
با اینکه این زمان بسیار کمی برای هر گونه اقدامی است، اما برای هوش مصنوعی کافی است تا نحوه عملکرد رآکتور را تنظیم کند.
مطالعه تجربی پژوهشگران پتانسیل کمک به جلوگیری از آسیب به خطوط میدان مغناطیسی پلاسما را دارد که می‌تواند واکنش را متوقف کند.
سئو افزود: مطالعات قبلی عموماً بر سرکوب یا کاهش اثرات این ناپایداری‌های گسستگی پس از وقوع در پلاسما متمرکز شده‌اند، اما رویکرد ما به ما این امکان را می‌دهد که این بی‌ثباتی‌ها را پیش از ظهور پیش‌بینی و از آنها اجتناب کنیم.
تلفیقی از هوش مصنوعی و فیزیک پلاسما
پژوهشگران می‌گویند ایجاد یک ابزار هوش مصنوعی به اندازه آموزش پرواز با هواپیما به یک شخص، دشوار بود. آنها با استفاده از داده‌های گذشته توکاماک، یک شبکه عصبی عمیق برای پیش‌بینی ناپایداری‌های آینده ساختند و یک الگوریتم یادگیری تقویتی را برای کنترل پلاسما آموزش دادند.
هوش مصنوعی از طریق آزمایش‌های شبیه‌سازی شده، استراتژی‌های بهینه را برای حفظ قدرت بالا و در عین حال اجتناب از بی‌ثباتی آموخت. پس از اصلاح، کنترل کننده هوش مصنوعی با تنظیم پارامترهای توکاماک در لحظه، با موفقیت از ناپایداری‌ها در طول یک آزمایش همجوشی واقعی جلوگیری کرد.
این رویکرد فعال در تضاد با روش‌های فعلی است که به ناپایداری‌ها در زمان وقوع واکنش نشان می‌دهند.
سانگ کیون کیم یکی از نویسندگان این مطالعه گفت: توانایی پیش‌بینی بی‌ثباتی‌ها از قبل، می‌تواند اجرای این واکنش‌ها را نسبت به رویکردهای فعلی که منفعل‌تر هستند، آسان‌تر کند. ما دیگر لازم نیست منتظر بمانیم تا ناپایداری‌ها رخ دهند و سپس اقدامات اصلاحی سریع قبل از مختل شدن پلاسما را انجام دهیم.
سئو نیز افزود: ما شواهدی قوی داریم که نشان می‌دهد کنترل کننده در DIII-D کاملاً خوب کار می‌کند، اما به داده‌های بیشتری نیاز داریم تا نشان دهیم که می‌تواند در موقعیت‌های مختلف کار کند. ما می‌خواهیم به سمت چیزی جهانی‌تر برویم.
این مطالعه در مجله Nature منتشر شده است.