Исследователи впервые интегрировали алгоритмы машинного обучения непосредственно в системы управления токамаками, чтобы предотвращать внезапные коллапсы плазмы. Такие коллапсы, известные как тиринг-моды, меняют конфигурацию магнитного поля и нарушают симметрию, необходимую для стабильной работы реактора.
Токамак – это устройство в форме бублика, которое удерживает плазму с помощью магнитных полей. Тиринг-моды возникают в определённых областях, называемых рациональными поверхностями. Их формирование определяется сложным балансом стабилизирующих и дестабилизирующих эффектов. Когда баланс нарушается, внутри плазмы образуется магнитный пузырь.
Этот пузырь замедляет вращение плазменного столба и в конечном итоге приводит к тому, что плазма ударяется о стенку реактора, прекращая термоядерный синтез. В неконтролируемом состоянии магнитный пузырь растёт, полностью останавливая систему и рассеивая плазму.
Традиционные физические модели с трудом справляются с этими процессами, поскольку лежащие в их основе механизмы нелинейны и хаотичны. Небольшие быстрые нестабильности в одной части вращающейся плазмы могут спровоцировать тиринг-моду в другой.
Чтобы решить эту проблему, исследователи Кристина Реа и Стюарт Бенджамин применили машинное обучение для обработки больших объёмов экспериментальных данных, полученных в ходе предыдущих операций токамаков, и выявления предвестников нестабильности. Алгоритмы обнаруживают закономерности, указывающие на приближающуюся тиринг-моду, ещё до того, как она становится заметна для стандартных диагностических средств.
На основе этих ИИ-предикторов создаются активные контроллеры плазмы. Они получают данные от реактора в реальном времени и с помощью машинного обучения оценивают стабильность плазмы в каждый конкретный момент. Если система обнаруживает риск возникновения тиринг-моды, контроллер автоматически корректирует магнитную конфигурацию, чтобы подавить нестабильность или избежать условий, которые её вызывают.
Эта технология особенно востребована по мере перехода к экспериментам с более высоким давлением плазмы, что необходимо для эффективного производства энергии, но одновременно увеличивает частоту и силу тиринг-мод. Встраивание машинного обучения в операционное ядро токамака позволяет инженерам поддерживать стабильность, необходимую для непрерывной выработки энергии.
Разработка уже используется в рамках Международной термоядерной физической активности (ITPA) при проектировании триггера для системы подавления сбоев проекта ITER. Как отметил Бенджамин, тиринг-моды остаются чрезвычайно сложными для прогнозирования с помощью физических моделей, но их стохастическая сложность открывает путь для методов машинного обучения, способных обеспечить стабильную работу термоядерных электростанций будущего.
Источник: Interesting Engineering