L'IA de Princeton ouvre de nouveaux niveaux de performances dans les réacteurs à fusion

Une équipe de Princeton a développé un apprentissage automatique méthode pour contrôler plasma les éclats de bord dans les réacteurs à fusion, permettant d'obtenir des performances élevées sans instabilités et de réduire considérablement les temps de calcul pour les ajustements du système en temps réel.

Réaliser une réaction de fusion soutenue est un exercice d’équilibre complexe mais délicat. Il faut qu’une mer de pièces mobiles se réunissent pour maintenir un plasma haute performance : un plasma suffisamment dense, suffisamment chaud et confiné suffisamment longtemps pour que la fusion ait lieu.

Pourtant, alors que les chercheurs repoussent les limites des performances des plasmas, ils sont confrontés à de nouveaux défis pour garder les plasmas sous contrôle, notamment celui qui implique des explosions d’énergie s’échappant du bord d’un plasma très chaud. Ces éclats de bord ont un impact négatif sur les performances globales et endommagent même les composants d'un réacteur faisant face au plasma au fil du temps.

Percée dans la suppression de l'instabilité des bords

Aujourd'hui, une équipe de chercheurs en fusion dirigée par des ingénieurs de Princeton et du laboratoire de physique des plasmas de Princeton (PPPL) du ministère américain de l'Énergie a déployé avec succès des méthodes d'apprentissage automatique pour supprimer ces instabilités de bord nuisibles, sans sacrifier les performances du plasma.

Représentation d'un tokamak. Crédit : Bumper DeJesus, Centre Andlinger pour l'énergie et l'environnement

Grâce à leur approche, qui optimise la réponse de suppression du système en temps réel, l'équipe de recherche a démontré les performances de fusion les plus élevées sans présence de sursauts de bord dans deux installations de fusion différentes, chacune avec son propre ensemble de paramètres de fonctionnement. Les chercheurs ont rendu compte de leurs découvertes le 11 mai dans Communications naturellessoulignant le vaste potentiel de l’apprentissage automatique et d’autres systèmes d’intelligence artificielle pour éliminer rapidement les instabilités du plasma.

« Non seulement nous avons montré que notre approche était capable de maintenir un plasma haute performance sans instabilités, mais nous avons également montré qu'elle pouvait fonctionner dans deux installations différentes », a déclaré le directeur de recherche Egemen Kolemen, professeur agrégé de génie mécanique et aérospatial et à l'Andlinger. Centre pour l'énergie et l'environnement. « Nous avons démontré que notre approche n'est pas seulement efficace, elle est également polyvalente. »

Relever les défis du mode de confinement élevé

Les chercheurs expérimentent depuis longtemps différentes manières de faire fonctionner les réacteurs à fusion afin d’obtenir les conditions nécessaires à la fusion. L'une des approches les plus prometteuses consiste à faire fonctionner un réacteur en mode de confinement élevé, un régime caractérisé par la formation d'un fort gradient de pression au bord du plasma qui offre un confinement amélioré du plasma.

Cependant, le mode de confinement élevé s'est historiquement accompagné d'instabilités aux limites du plasma, un défi qui a obligé les chercheurs en fusion à trouver des solutions de contournement créatives.

Une solution consiste à utiliser les bobines magnétiques qui entourent un réacteur à fusion pour appliquer des champs magnétiques au bord du plasma, brisant ainsi les structures qui pourraient autrement se transformer en une véritable instabilité de bord. Pourtant, cette solution est imparfaite : même si elle réussit à stabiliser le plasma, l’application de ces perturbations magnétiques conduit généralement à une performance globale inférieure.

« Nous avons un moyen de contrôler ces instabilités, mais en retour, nous avons dû sacrifier les performances, qui sont l'une des principales motivations pour fonctionner en mode de confinement élevé », a déclaré Kolemen, qui est également un physicien de recherche chez PPPL.

La perte de performances est en partie due à la difficulté d’optimiser la forme et l’amplitude des perturbations magnétiques appliquées, qui découle à son tour de l’intensité de calcul des approches d’optimisation existantes basées sur la physique. Ces méthodes conventionnelles impliquent un ensemble d’équations complexes et peuvent prendre des dizaines de secondes pour optimiser un instant donné – ce qui est loin d’être idéal lorsque le comportement du plasma peut changer en quelques millisecondes seulement. Par conséquent, les chercheurs en fusion ont dû prédéfinir la forme et l’amplitude des perturbations magnétiques avant chaque opération de fusion, perdant ainsi la possibilité d’effectuer des ajustements en temps réel.

« Dans le passé, tout devait être préprogrammé », a déclaré le co-premier auteur SangKyeun Kim, chercheur scientifique au PPPL et ancien chercheur postdoctoral dans le groupe de Kolemen. « Cette limitation a rendu difficile une véritable optimisation du système, car elle signifie que les paramètres ne peuvent pas être modifiés en temps réel en fonction de l'évolution des conditions du plasma. »

Améliorer les performances de fusion grâce à l'IA

L'approche d'apprentissage automatique de l'équipe dirigée par Princeton réduit le temps de calcul de quelques dizaines de secondes à l'échelle de la milliseconde, ouvrant ainsi la porte à une optimisation en temps réel. Le modèle d'apprentissage automatique, qui constitue un substitut plus efficace aux modèles existants basés sur la physique, peut surveiller l'état du plasma d'une milliseconde à l'autre et modifier l'amplitude et la forme des perturbations magnétiques selon les besoins. Cela permet au contrôleur de trouver un équilibre entre la suppression des rafales de bords et des performances de fusion élevées, sans sacrifier l'une pour l'autre.

« Avec notre modèle de substitution d'apprentissage automatique, nous avons réduit le temps de calcul d'un code que nous voulions utiliser de plusieurs ordres de grandeur », a déclaré le co-premier auteur Ricardo Shousha, chercheur postdoctoral au PPPL et ancien étudiant diplômé du groupe de Kolemen.

Parce que leur approche est finalement fondée sur la physique, les chercheurs ont déclaré qu’elle serait simple à appliquer à différents dispositifs de fusion dans le monde. Dans leur article, par exemple, ils ont démontré le succès de leur approche sur le tokamak KSTAR en Corée du Sud et sur le tokamak DIII-D à San Diego. Dans les deux installations, qui disposent chacune d’un ensemble unique de bobines magnétiques, la méthode a permis d’obtenir un fort confinement et des performances de fusion élevées sans éclats de bord de plasma nocifs.

« Certaines approches d'apprentissage automatique ont été critiquées pour être uniquement basées sur les données, ce qui signifie qu'elles ne sont efficaces que par la quantité de données de qualité sur lesquelles elles sont formées », a déclaré Shousha. « Mais comme notre modèle est un substitut d'un code physique et que les principes de la physique s'appliquent également partout, il est plus facile d'extrapoler notre travail à d'autres contextes. »

Perspectives futures des systèmes de contrôle de fusion

L’équipe travaille déjà à affiner son modèle pour qu’il soit compatible avec d’autres dispositifs de fusion, y compris les futurs réacteurs prévus comme ITER, actuellement en construction.

L'un des domaines de travail actifs du groupe Kolemen consiste à améliorer les capacités prédictives de leur modèle. Par exemple, le modèle actuel repose toujours sur la rencontre de plusieurs sursauts de bord au cours du processus d’optimisation avant de fonctionner efficacement, ce qui présente des risques indésirables pour les futurs réacteurs. Si, au contraire, les chercheurs parvenaient à améliorer la capacité du modèle à reconnaître les précurseurs de ces instabilités nuisibles, il pourrait être possible d'optimiser le système sans rencontrer une seule explosion de bord.

Kolemen a déclaré que les travaux en cours constituent un autre exemple du potentiel de l'IA pour surmonter les goulots d'étranglement de longue date dans le développement de l'énergie de fusion en tant que ressource énergétique propre. Auparavant, les chercheurs dirigés par Kolemen ont déployé avec succès un contrôleur d'IA distinct pour prédire et éviter un autre type d'instabilité du plasma en temps réel sur le tokamak DIII-D.

« Pour bon nombre des défis auxquels nous avons été confrontés avec la fusion, nous sommes arrivés au point où nous savons comment aborder une solution, mais notre capacité à mettre en œuvre ces solutions est limitée par la complexité informatique de nos outils traditionnels », a déclaré Kolemen. . « Ces approches d’apprentissage automatique ont ouvert de nouvelles façons d’aborder ces défis bien connus en matière de fusion. »

Le papier, « Performances de fusion les plus élevées sans sursauts d'énergie de bord nocifs dans le tokamak», a été publié le 11 mai dans Nature Communications. Outre Kolemen, Kim et Shousha, les co-auteurs incluent SM Yang, Q. Hu, A. Bortolon et J. Snipes de PPPL ; A. Jalalvand de université de Princeton; SH Han, YM Jeon, MW Kim, WH Ko et JH Lee de l'Institut coréen de l'énergie de fusion ; J.-K. Park et Y.-S. Na de l'Université nationale de Séoul ; NC Logan, AO Nelson, C. Paz-Soldan et A. Battey de Université de Colombie; R. Nazikian de General Atomics ; R. Wilcox du Laboratoire national d'Oak Ridge ; R. Hong et T. Rhodes de l'Université de Californie à Los Angeles ; et G. Yu de l'Université de Californie à Davis. Les travaux ont été soutenus par le Département américain de l’énergie, la Fondation nationale de recherche de Corée et l’Institut coréen de l’énergie de fusion.