Un partenariat public-privé entre le Commonwealth Fusion Systems (CFS), le US Department of Energy (DOE) Princeton Plasma Physics Laboratory (PPPL) et Oak Ridge National Laboratory a conduit à une nouvelle approche d'intelligence artificielle (AI) qui est plus rapide à trouver ce qui est connu sous le nom de « ombres magnétiques » Dans un récipient de fusion: des paradis sûrs protégés de la chaleur intense du plasma.
Connu sous le nom de chaleur-ML, la nouvelle IA pourrait poser les bases de logiciels qui accélère considérablement la conception de futurs systèmes de fusion. Ces logiciels pourraient également permettre une bonne prise de décision pendant les opérations de fusion en ajustant le plasma afin que des problèmes potentiels soient contrecarrés avant de commencer.
« Cette recherche montre que vous pouvez prendre un code existant et créer un substitut d'IA qui accélérera votre capacité à obtenir des réponses utiles, et elle ouvre des voies intéressantes en termes de contrôle et de planification de scénarios, » a déclaré Michael Churchill, co-auteur d'un journal dans Ingénierie et conception de fusion À propos de la chaleur-ML et de la tête de l'ingénierie numérique chez PPPL.
La fusion, la réaction qui alimente le soleil et les étoiles, pourrait fournir des quantités d'électricité potentiellement illimitées sur Terre. Pour l'exploiter, les chercheurs doivent surmonter les principaux défis scientifiques et ingénieurs. Un tel défi consiste à gérer la chaleur intense provenant du plasma, qui atteint des températures plus chaudes que le noyau du soleil lorsqu'il est confiné à l'aide de champs magnétiques dans un récipient de fusion appelé tokamak. Accélérer les calculs qui prédisent où cette chaleur va frapper et quelles parties du tokamak seront en sécurité dans l'ombre des autres parties est la clé pour apporter la puissance de fusion au réseau.
« Les composants de l'effacement du plasma du Tokamak pourraient entrer en contact avec le plasma, qui est très chaud et peut faire fondre ou endommager ces éléments, » dit Domenica Corona Rivera, physicienne associée de la recherche chez PPPL et premier auteur sur le journal sur la chaleur-ML. « La pire chose qui puisse arriver, c'est que vous devriez arrêter les opérations. »
PPPL amplifie son impact par le biais d'un partenariat public-privé
La chaleur-ML a été spécialement conçue pour simuler une petite partie de SPARC: un tokamak actuellement en construction par CFS. La société du Massachusetts espère démontrer un gain d'énergie net d'ici 2027, ce qui signifie que SPARC générerait plus d'énergie qu'elle ne consomme.
La simulation de l'impact de la chaleur impacte de SPARC est au cœur de cet objectif et d'un grand défi informatique. Pour décomposer le défi en quelque chose de gérable, l'équipe s'est concentrée sur une section de SPARC où l'échappement de chaleur plasmatique le plus intense se croit avec la paroi du matériau. Cette partie particulière du Tokamak, représentant 15 carreaux près du bas de la machine, est la partie du système d'échappement de la machine qui sera soumise au plus de chaleur.
Pour créer une telle simulation, les chercheurs génèrent ce qu'ils appellent des masques d'ombre. Les masques d'ombre sont des cartes 3D d'ombres magnétiques, qui sont des zones spécifiques sur les surfaces des composants internes d'un système de fusion qui sont protégés de la chaleur directe. L'emplacement de ces ombres dépend de la forme des pièces à l'intérieur du tokamak et de la façon dont ils interagissent avec les lignes de champ magnétique qui limitent le plasma.
Création de simulations pour optimiser le fonctionnement des systèmes de fusion
À l'origine, un programme informatique à source ouverte appelée Heat, ou la boîte à outils d'analyse de l'ingénierie du flux de chaleur, a calculé ces masques d'ombre. Heat a été créé par le manager du CFS, Tom Loooby, lors de son travail de doctorat avec Matt Reinke, maintenant leader de l'équipe de diagnostic SPARC, et a été appliqué pour la première fois sur le système d'échappement pour la machine nationale d'expérimentation du Torus Sphérique de PPPL.
La chaleur-ML trace les lignes de champ magnétiques de la surface d'un composant pour voir si la ligne coupe d'autres parties internes du tokamak. Si c'est le cas, cette région est marquée comme « ombragé. » Cependant, le traçage de ces lignes et la découverte où ils coupent la géométrie détaillée de la machine 3D était un goulot d'étranglement important dans le processus. Cela pourrait prendre environ 30 minutes pour une seule simulation et encore plus longtemps pour certaines géométries complexes.
La chaleur-ML surmonte ce goulot d'étranglement, accélérant les calculs à quelques millisecondes. Il utilise un réseau neuronal profond: un type d'IA qui a des couches cachées d'opérations mathématiques et des paramètres qu'elle s'applique aux données pour apprendre à effectuer une tâche spécifique en recherchant des modèles. Le réseau neuronal profond de Heat-ML a été formé à l'aide d'une base de données d'environ 1 000 simulations SPARC de chaleur pour apprendre à calculer les masques d'ombre.
La chaleur-ML est actuellement liée à la conception spécifique du système d'échappement de SPARC; Il ne fonctionne que pour cette petite partie de ce tokamak particulier et est un paramètre facultatif dans le code thermique. Cependant, l'équipe de recherche espère élargir ses capacités pour généraliser le calcul des masques d'ombre pour les systèmes d'échappement de toute forme et taille, ainsi que le reste des composants de la plasma à l'intérieur d'un Tokamak.
