谷歌已應用人工智能來管理核聚變反應堆內的等離子體。谷歌的英國人工智能子公司 DeepMind Technologies 與 EPFL 的瑞士等離子中心 (école Polytechnique Fédérale de Lausanne )合作，利用其機器學習專業(yè)知識來管理一個圓形核聚變反應堆托卡馬克。該研究結果發(fā)表在《 自然》雜志上，可能為將聚變發(fā)展為可持續(xù)能源提供新途徑。

實現(xiàn)核聚變的主要挑戰(zhàn)之一是在托卡馬克反應堆中容納等離子體，同時防止其與邊界發(fā)生碰撞。為了避免這種情況，瑞士等離子中心的研究人員使用計算機模擬器來測試替代控制系統(tǒng)。

EPFL 研究人員表示，這些模擬的困難在于使用了許多變量，每個變量都需要大量時間和資源才能獲得正確的結果。調整等離子體排列也需要大量的工程和設計工作，以及計算能力。

瑞士研究人員與 DeepMind 工程師合作開發(fā)了一種控制磁線圈的算法，從而減少了執(zhí)行復雜計算的需要。該系統(tǒng)在托卡馬克上進行了測試，以評估其實際性能。

托卡馬克前進

1960 年代，科學家們首次認識到托卡馬克實現(xiàn)聚變條件的潛力。俄羅斯 T3 托卡馬克獲得的等離子體溫度遠高于以前的聚變發(fā)動機。

在 1980 年代，研究人員進行的理論研究表明，改變托卡馬克幾何形狀可以提高性能。將球形托卡馬克的更高效率與高溫超導磁體技術提供的改進磁約束相結合，為商業(yè)聚變打開了大門。

托卡馬克的環(huán)形真空室是它跳動的心臟。當氣態(tài)氫燃料暴露于高溫時會產生等離子體。等離子體環(huán)境提供了混合和產生能量的成分。

等離子體中的帶電粒子由強磁線圈形成，該線圈用于將等離子體與結構壁分離，同時保持結合粒子所需的厚度。真空室內沒有空氣或污染物，磁鐵保持和調節(jié)等離子體，然后在引入氣體燃料之前對其進行充電。當大電流通過容器時，氣體會發(fā)生電分解，當電子從原子核中剝離時會發(fā)生電離，從而產生等離子體。隨著等離子粒子充電和碰撞，它們開始升溫。使用當前技術，聚變溫度（150 到 3 億攝氏度之間）觸手可及。

當粒子受到“刺激”時，盡管它們固有的電磁排斥力，它們仍會發(fā)生碰撞和合并。聚變過程中釋放出大量能量。

聚變能

在托卡馬克配置中使用磁約束的核聚變有朝一日可能成為一種可持續(xù)的能源。眾多障礙之一是在托卡馬克中建模和維持高溫等離子體。這需要使用磁致動器線圈進行高頻閉環(huán)控制，由于不同等離子體配置的需求，這一步驟變得更加困難。等離子體狀態(tài)不斷變化，但無法持續(xù)測量，這使研究工作進一步復雜化。

歐洲托卡馬克核反應堆項目JET能夠產生 59 兆焦耳，同時保持 5 秒的聚變反應。今年早些時候，名為EAST的平行人造太陽項目 表示，其托卡馬克反應堆的溫度達到了太陽溫度的五倍，并維持了 17 分鐘。

控制托卡馬克反應堆中的等離子體需要持續(xù)的磁場監(jiān)測。保持由離子和電子形成的熱等離子體的穩(wěn)定性是困難的。DeepMind 的方法通過一種新算法通過磁約束解決了這一挑戰(zhàn)。DeepMind 團隊首先在計算機模擬中訓練其算法，然后在實驗階段。AI 模型用于通過每秒 10,000 次進行 90 次不同的測量來監(jiān)測等離子體。然后它相應地調整了反應堆的 19 個磁鐵的電壓。

控制器設計架構的組件

人工智能算法

根據(jù)Nature 文章，研究人員訓練了一個深度學習系統(tǒng)來控制瑞士等離子中心可變配置托卡馬克內部的磁線圈。該設施被用來進行指導未來更大聚變反應堆設計的研究。

最初通過模擬訓練的神經網(wǎng)絡最初觀察到 19 個線圈中每個線圈的設置變化如何影響托卡馬克內部的等離子體形狀。接下來，人工智能模型試圖通過檢查幾種配置來重建等離子體，包括 D 形橫截面和雪花配置，這些配置可以均勻地消散結構內反應產生的強烈熱量。DeepMind 的方法確定了如何通過在模擬和實驗中精確操縱磁線圈來創(chuàng)建這些形狀。

該架構（上圖）被吹捧為設計托卡馬克磁約束控制器的靈活方法。它由三個步驟組成。首先，設計者指定實驗的目標，伴隨著隨時間變化的控制目標。接下來，算法與托卡馬克模擬器交互以找到接近最優(yōu)的控制策略來滿足指定目標。最后，以神經網(wǎng)絡表示的控制策略直接在托卡馬克硬件上實時執(zhí)行。

確認 DeepMind 的方法可以推進等離子體研究，重點關注聚變發(fā)電廠最重要的元素，從而實現(xiàn)更好的控制，以實現(xiàn)所需的能量平衡。結果還說明了深度學習在加速融合研究方面的潛力。

自 2014 年以來，谷歌還一直與美國聚變研究機構TAE Technologies合作，將其機器學習方法應用于不同類型的聚變反應堆。