Opanowanie fuzji ze sztuczną inteligencją w celu odblokowania nieskończonych, czystych źródeł energii

W obliczu szybko wyczerpujących się zasobów paliw kopalnych i pogarszającej się zmiany klimatu znajdujemy się w krytycznej sytuacji potrzeba czystej energii. 

Chociaż odnawialne źródła energii stanowią obiecującą alternatywę, mają one swoje własny wyzwania pod względem energy storage limitations, grid integration complexities, high initial costs, and the intermittent nature of some sources like solar and wind. Additionally, land use, policy barriers, and the need for robust infrastructure also pose significant hurdles. 

To zdjęcie to właśnie tutaj energia jądrowa może zmienić zasady gry. Energia jądrowa to forma energii uwalniana z jądra atomowego, czyli dodatnio naładowanego centralnego rdzenia atomów, składającego się z protonów i neutronów. 

Według Międzynarodowej Agencji Energetycznej (IEA) energia jądrowa odpowiada za około 10% of electricity generation globally. 

But despite its ability to produce emissions-free power, large up-front costs, long lead times, and a poor record of on-time delivery are limiting nuclear energy's adoption, noted the IEAJednak nowy impuls na świecie ma potencjał zapoczątkowania nowej ery dla energetyki jądrowej, a reaktory rozpoczną działalność komercyjną w Chinach, Europie, Indiach, Japonii i Korei.

Istnieją dwa sposoby wytwarzania tego źródła energii:

• fuzja
• Rozszczepienie

Fission is where the nuclei of heavy atoms are split into smaller ones. Fusion is where the nuclei of lighter atoms are fused together to form a heavier one. Both release tremendous amounts of energy.

Chociaż obecnie na szeroką skalę do wytwarzania energii elektrycznej wykorzystuje się jedynie rozszczepienie, dzisiaj skupiamy się na syntezie jądrowej.

Nadal w fazie badań i rozwoju, synteza jądrowa contributes very little to global energy production, though it holds immense potential for the future. It is actually among the most environmentally friendly sources of energy, as there are no carbon dioxide or other harmful emissions during the process.

Zero-carbon electricity from fusion power plants can also flow continuously, no matter the weather or whether it's day or night. Unlike fission, fusion doesn't even create any potentially disastrous meltdowns or long-lasting radioactive nuclear waste.

Not only does fusion not contribute to emisji gazów cieplarnianych (GHG)., jego dwa główne źródła paliwa, wodór (dla deuteru) i lit (dla trytu), są również powszechnie dostępne.

Na tym tle fuzja jądrowa jest oczekiwany to meet humanity's energy needs for millions of years, and that has countries around the world actively working on making it a reality. 

Przeszkody między wizją a rzeczywistością energetyki jądrowej

Koncepcję syntezy jądrowej po raz pierwszy zaproponował w 1915 roku amerykański chemik William Draper Harkins. Ale nie udało nam się jeszcze osiągnąć tego w sposób znaczący. 

Reakcje syntezy jądrowej stanowią podstawowe źródło energii gwiazd, w tym gigantycznej kuli gorącego gazu, Słońca. To proces zwany syntezą termojądrową sprawia, że Słońce i gwiazdy świecą od milionów lat.

In thermonuclear fusion, atomic nuclei combine at extremely high temperatures, ten to a hundred million degrees Centigrade, which provides enough energy to overcome the mutual electrical repulsion of two nuclei. Następnie łączą się, tworząc pojedyncze jądro i uwalniając znaczną ilość energii.

The Sun's massive gravitational force plays a key role here, as it produces extreme pressure, heat, and the conditions for fusion. Without gravity, the sun would not be hot and dense enough for fusion to happen. 

Now, to create nuclear fusion on Earth but without crushing levels of gravity means putting light isotopes into a reactor and then heating them to hundreds of millions of degrees Celsius, which turns them into an ionized ‘plasma.'

Plazma to naładowany gaz składający się z jonów dodatnich i swobodnie poruszających się elektronów. It is extremely hot and difficult to control, requiring a magnetic field to prevent it from escaping.

Naukowcom udało się rutynowo osiągnąć warunki umożliwiające syntezę jądrową, ale stabilność plazmy i lepsze właściwości ograniczające wciąż wymagają poprawy be attained to maintain the reaction and produce energy in a sustained manner.

Na przykład pod koniec 2022 r. wielomiliardowy eksperyment fuzyjny w końcu udało się uzyskać maleńką próbkę izotopu, która uwolniła więcej energii, niż wynosiła energia lasera użyta do jej zapłonu, ale trwało to zaledwie około jednej dziesiątej nanosekundy.

Fuzja jądrowa jest więc niezwykle trudnym procesem, wymagającym ekstremalnych warunków: wysokich temperatur i ogromnego ciśnienia.

Następnie trzeba ustabilizować plazmę, zapobiec jej zetknięciu ze ścianami reaktora i zminimalizować heat loss, making it difficult to sustain the reaction. In terms of engineering, we need large, powerful superconducting magnets to confine the plasma in tokamaks, a common type of doughnut-shaped fusion reactor, and advanced vacuum systems to achieve and maintain the extremely low pressures.

Ponadto potrzebujemy materiałów, które mogą wytrzymać wysokie temperatury, duże strumienie ciepła i intensywne promieniowanie neutronowe. Aby sprostać tym wyzwaniom, naukowcy zwracają się w stronę sztucznej inteligencji (AI). 

AI is playing an increasingly vital role in accelerating nuclear fusion research and development. By leveraging machine learning and other AI algorithms, researchers are optimizing reactor design, finding and correcting fundamental measurement errors, accelerating materials discovery, predicting and preventing plasma disruptions, controlling the plasma state, and improving the efficiency and stability of fusion reactions.

By handling vast amounts of complex data and the intricate relationship between different facets of the fusion process, AI can further improve our understanding of it, accelerate the development of new reactor designs, and significantly reduce development timelines, paving the way for nuclear energy's commercialization.

Sztuczna inteligencja pomaga pokonać bariery fizyczne w fuzji

Sztuczna inteligencja szybko zmienia oblicze wielu gałęzi przemysłu, w tym sektora energetycznego, gdzie pomaga w rozwiązaniu globalnego kryzysu energetycznego poprzez osiągnięcie bezemisyjnej i nieograniczonej energii jądrowej. 

W tym celu Google DeepMind wykorzystał głębokie uczenie wzmacniające (RL) aby skutecznie kontrolować plazmę¹ in a tokamak i precyzyjnie formować go w różne kształty. Aby opracować system RL, współpracowali ze Szwajcarskim Centrum Plazmy w EPFL. System autonomicznie odkrywa, jak sterować cewkami magnetycznymi otaczającymi tokamak i utrzymać w nim plazmę.

W zeszłym roku firma wypuściła również symulator plazmy o nazwie TORAX², which models the “core” of the plasma and then forecasts changes in temperature, density, and electric current. 

Earlier last year, a team at Princeton University also used RL to predict the leading form of disturbances in fusion plasma up to 300 milliseconds before they appear. Known as “tearing mode instabilities,” it occurs when the magnetic field lines within a plasma break, allowing it to escape and thus stopping the fusion process. 

Oczekuje się, że te niestabilności „staną się jeszcze bardziej widoczne, gdy będziemy próbować przeprowadzać reakcje fuzji z wysoką mocą wymaganą do wytworzenia wystarczającej ilości energii” – powiedział Jaemin Seo, główny autor pracy, adiunkt fizyki na Uniwersytecie Chung-Ang w Korei Południowej. „Są dla nas ważnym wyzwaniem do rozwiązania”.

Ich model sztucznej inteligencji przewiduje z wyprzedzeniem potencjalne niestabilności trybu rozrywania³ a następnie dokonuje zmian niektórych parametrów operacyjnych, aby zapobiec rozdarciom linii pola magnetycznego plazmy.

Model, trenowany na podstawie danych eksperymentalnych z przeszłości, otrzymuje cel utrzymania reakcji o wysokiej mocy, wraz z warunkami, których należy unikać, takimi jak niestabilność trybu rozrywania, oraz pokrętłami, które może wykorzystać, aby osiągnąć te rezultaty. Z czasem model sztucznej inteligencji „uczy się optymalnej ścieżki”, aby utrzymać cel o wysokiej mocy, unikając jednocześnie niestabilności.

„Ucząc się na podstawie wcześniejszych eksperymentów, zamiast włączać informacje z modeli opartych na fizyce, sztuczna inteligencja mogłaby opracować ostateczną politykę sterowania, która wspierałaby stabilny, wysokowydajny reżim plazmowy w czasie rzeczywistym w prawdziwym reaktorze”.

– Research leader Egemen Kolemen

Podczas gdy model przeprowadzał niezliczone symulowane eksperymenty fuzyjne w celu znalezienia ścieżek, w tle zespół obserwował jego „zamiary” i udoskonalał działania, działając jako arbiter „pomiędzy tym, co chce zrobić sztuczna inteligencja, a tym, co może zrobić tokamak”.

The team of engineers, physicists, and data scientists tested and demonstrated their model in experiments at the DIII-D National Fusion Facility in San Diego.

Then, earlier this year, a research paper titled “Prognozowanie wydajności i turbulencji w plazmie palącej się w ITERze za pomocą nieliniowej prognozy profilu żyrokinetycznego"⁴ została opublikowana przez Nathana Howarda, głównego naukowca w MIT Plasma Science and Fusion Center (PSFC).

Howard i jego zespół wykorzystali uczenie maszynowe i symulacje, aby przewidzieć, jak plazma będzie się zachowywać w urządzeniu fuzyjnym. 

„W artykule wyjaśniono, że symulacje turbulencji o wysokiej rozdzielczości potwierdzają, iż tokamak ITER, największe na świecie eksperymentalne urządzenie do fuzji termojądrowej budowane obecnie w południowej Francji, będzie działał zgodnie z oczekiwaniami po rozpoczęciu eksploatacji, co nastąpi najwcześniej w 2035 r.

To verify the scenario, the team used CGYRO, program wymagający dużo czasu, stosuje złożony model fizyki plazmy do określonych warunków pracy w celu przeprowadzenia szczegółowych symulacji zachowania plazmy w różnych miejscach urządzenia fuzyjnego.

Następnie przeprowadzono symulacje za pośrednictwem struktury PORTALS, która pobiera przebiegi o wysokiej wierności i wykorzystuje uczenie maszynowe do zbudowania „modelu zastępczego”, który „może naśladować wyniki bardziej złożonych przebiegów, ale znacznie szybciej”.

Jak zauważyli naukowcy, narzędzia do modelowania o wysokiej dokładności, takie jak PORTALS, zapewniają „wgląd w rdzeń plazmy, zanim jeszcze się uformuje. To podejście oparte na przewidywaniu pozwala nam tworzyć bardziej wydajne plazmy w urządzeniach takich jak ITER”.

Zespół zademonstrował również różne konfiguracje operacyjne, w których można wytworzyć taką samą ilość energii but with less energy input.

Przesuń, aby przewijać →

Mapping the Fusion Shadows with HEAT-ML 

A new AI approach is now używane Aby chronić wnętrza reaktorów fuzyjnych przed ekstremalnym ciepłem plazmy. Ten nowy sposób przyspiesza obliczenia. wymagany aby znaleźć „cienie magnetyczne” w pojemnikach fuzyjnych.

Te cienie są bezpieczną przystanią, są chronione z powodu intensywnego ciepła plazmy.

Wyzwanie cieplne w tokamaku

As we explained above, when the plasma is confined in the tokamak using magnetic fields, the heat that comes from the plasma reaches a temperature that is even hotter than the sun's core. In order to harness fusion, this heat needs to być kontrolowanym.

Według Doméniki Corony Rivery, adiunkta w dziedzinie fizyki w Princeton Plasma Physics Laboratory (PPPL):

„Elementy tokamaka wystawione na działanie plazmy mogą wejść w kontakt z plazmą, która jest bardzo gorąca i może stopić lub uszkodzić te elementy. Najgorsze, co może się zdarzyć, to konieczność przerwania pracy”.

Aby rozwiązać ten problem, naukowcy wykorzystują sztuczną inteligencję, która może przyspieszyć obliczenia przewidujące, gdzie w tokamaku pojawi się ciepło.

Dzięki znacznemu przyspieszeniu obliczeń HEAT model ten umożliwia zastosowanie go w aplikacjach czasu rzeczywistego do zabezpieczania i sterowania odgałęzieniami.

A Collaboration to Drive Fusion Innovation

A public-private partnership between PPL, the U.S. Department of Energy's (DOE) Oak Ridge National Laboratory, and the fusion power company Commonwealth Fusion Systems (CFS), which is a spin-out from MIT and aims to build a small fusion power plant based on the ARC tokamak design, led to this new AI approach called HEAT-ML.

Model zastępczy oparty na uczeniu maszynowym (HEAT-ML) is detailed w najnowszym badaniu zatytułowanym „Prognozowanie masek cieniowych w komponentach tokamaka SPARC skierowanych na plazmę przy użyciu kodu HEAT i metod uczenia maszynowego".⁵

Celem projektu HEAT-ML jest stworzenie podstaw oprogramowania, które przyspieszy projektowanie przyszłych systemów fuzyjnych, a także zapobieganie problemom zanim wystąpią, poprzez regulację plazmy, co pozwoli na podejmowanie trafnych decyzji.

„Badania te pokazują, że można wziąć istniejący kod i stworzyć na jego podstawie zastępczą sztuczną inteligencję, która przyspieszy uzyskiwanie użytecznych odpowiedzi, a także otworzy ciekawe możliwości w zakresie kontroli i planowania scenariuszy”.

– współautor artykułu, Michael Churchill, szef inżynierii cyfrowej w PPPL.

Mapowanie cieni magnetycznych w celu ochrony materiałów

HEAT-ML has zostały specjalnie wykonane aby symulować małą część SPARC-a.

SPARC is a tokamak that is currently under development by CFS in collaboration with the MIT PSFC. It is scheduled to begin operations next year and aims to demonstrate net energy gain, generating more energy than it consumes by 2027.

Aby to osiągnąć, naukowcy symulują wpływ ciepła na wnętrze tokamaka.

A big computing challenge, the researchers make it manageable by focusing on the SPARC section, where the severity of plasma heat exhaust meets the material wall. And that's 15 tiles right around the base of the machine, which is the part where its exhaust system will be vulnerable to most heat.

To create this simulation, the team created shadow masks, which are 3D maps of magnetic shadows. These maps are specific areas on the surfaces of a fusion system's internal components that są chronione z bezpośredniego ciepła. Ich położenie zależy od kształtu części wewnątrz tokamaka, a także od ich interakcji z liniami pola magnetycznego ograniczającymi plazmę.

Przyspieszanie symulacji z minut do milisekund

Maski cienia zostały pierwotnie obliczone korzystając z programu komputerowego o otwartym kodzie źródłowym o nazwie CIEPŁAlub Zestaw narzędzi do analizy strumienia ciepła.

Zbudowany przez Toma Looby'ego z CFS we współpracy z Mattem Reinke, liderem zespołu diagnostycznego SPARC, ten program został pierwotnie zastosowany to the exhaust system for PPPL's spherical tokamak called the National Spherical Torus Experiment-Upgrade machine (NSTX-U), which jest zaprojektowany być najpotężniejszym na świecie.

The researchers have now used machine learning to supplement HEAT, developing 3D surrogate models for quick and precise calculations of heat load.

Powstały HEAT-ML śledzi linie pola magnetycznego od powierzchni komponentu, aby sprawdzić, czy przecinają się one z innymi częściami wewnętrznymi. Jeśli linia się przecina, to w tym miejscu… jest zaznaczony as a shadowed region, or a magnetic shadow.

This whole process of tracing lines and detecting just where they meet the detailed 3D machine geometry, however, was a significant bottleneck that could take about 30 minutes for just one simulation. If there are complex geometries involved, it can take even longer.

Dzięki HEAT-ML zespołowi udało się ominąć to ograniczenie i przyspieszyć obliczenia do zaledwie milisekund. 

Toward Real-time Control of Fusion Power Plants

Model HEAT-ML wykorzystuje głęboką sieć neuronową, formę sztucznej inteligencji z wieloma ukrytymi warstwami nakładanymi na dane, aby uczyć się konkretnych zadań poprzez rozpoznawanie wzorców. W tym przypadku HEAT-ML został wytrenowany na około 1,000 symulacjach SPARC z HEAT w celu identyfikacji obszarów cienia.

Because it is linked to the specific design of SPARC’s exhaust system, HEAT-ML only works for that part of this particular tokamak.

Obecnie jest to ustawienie opcjonalne w kodzie HEAT. Zespół ma jednak nadzieję rozszerzyć możliwości swojego modelu, aby uogólnić obliczenia maski cienia dla dowolnych układów wydechowych, niezależnie od ich rozmiaru i kształtu, a także dla innych elementów wewnątrz tokamaka skierowanych na plazmę.

The power exhaust, according to the study, is a crucial challenge for the next generation of fusion devices and needs innovative solutions in divertor design and operation. The study noted:

“The ultimate goal is to integrate the model for real-time control and future operational decisions.” 

Inwestowanie w energię jądrową

Gigant technologiczny Microsoft Corporation (MSFT -0.59%) aktywnie bada energię jądrową i jej acceleration via AI, as it believes that it should be part of a mix of carbon-free energy sources. 

Microsoft's chief sustainability officer, Melanie Nakagawa, has called fusion a longer-term bet and said that over the last few years, different types of milestones have został trafiony przez branżę, która stworzyła „mnóstwo optymizmu, że to może być moment, w którym fuzja faktycznie się pojawi jeszcze w tej dekadzie lub niedługo się pojawi”.

Microsoft Corporation (MSFT -0.59%)

Aby zrealizować swoje cele w zakresie fuzji, Microsoft podpisał w 2023 roku przełomową umowę z prywatnym startupem Helion Energy zajmującym się fuzją. Zgodnie z umową, Helion do 2028 roku będzie dostarczał energię elektryczną generowaną w procesie fuzji do centrów danych Microsoftu.

Dzięki wsparciu działu kapitału wysokiego ryzyka SoftBank i Sama Altmana z OpenAI firma Helion rozpoczęła w tym roku budowę planowanej elektrowni jądrowej o nazwie Orion, choć ostateczne pozwolenia nie zostały jeszcze uzyskane. 

Prototyp Polaris firmy Helion pracuje obecnie nad znalezieniem sposobu na generowanie większej ilości energii niż co to wymaga to create and sustain the reaction. Orion, meanwhile, according to its CEO, will connect to power delivery networks.

Jeśli chodzi o wyniki rynkowe Microsoftu, akcje tej spółki o kapitalizacji rynkowej 3.86 biliona dolarów są notowane po około 521 dolarów, co oznacza wzrost o 23.41% od początku roku. Zysk na akcję (TTM) wynosi 13.64, a wskaźnik P/E (TTM) 38.25. Dostępna stopa dywidendy wynosi 0.64%.

Co się tyczy finansowy for the quarter ended June 30, 2025, it revealed an 18% increase in revenue to $76.4 bln, a 23% jump in operating income to $34.3 bln, and a 24% rise in net income to $27.2 bl. Diluted earnings per share, meanwhile, were $3.65, up 24%.

„Chmura obliczeniowa i sztuczna inteligencja są siłą napędową transformacji biznesowej w każdej branży i sektorze”.

– Dyrektor generalny Satya Nadella

Najświeższe Korporacja Microsoft (MSFT) Wiadomości i wydarzenia giełdowe

Podsumowanie

Jedną z najbardziej obiecujących dróg do czystej energii jest fuzja, ale droga do jej komercjalizacji jest długa i żmudna. Okazuje się jednak, że sztuczna inteligencja jest katalizatorem, który może wreszcie urzeczywistnić to wielowiekowe marzenie, i to jeszcze za naszego życia.

Wykorzystując metody oparte na sztucznej inteligencji, naukowcy pracują nad zwiększeniem wytrzymałości i opłacalności systemów fuzyjnych. Od przyspieszenia badań i rozwiązania problemu niestabilności plazmy po ochronę systemów reaktorów, sztuczna inteligencja może pomóc w doprowadzeniu energii jądrowej do sieci i zapewnić ludzkości nieograniczony dostęp do energii.

Click here to learn what the fourth generation of nuclear energy would look like.

Referencje:

1. Degrave, J., Felici, F., Buchli, J. i in. Kontrola magnetyczna plazm tokamaków poprzez głębokie uczenie się przez wzmacnianie. Nature, 602(7897), 414–419, opublikowano 16 lutego 2022 r. https://doi.org/10.1038/s41586-021-04301-9
2. Citrin, J., Goodfellow, I., Raju, A., Chen, J., Degrave, J., Donner, C., Felici, F., Hamel, P., Huber, A., Nikulin, D., Pfau, D., Tracey, B., Riedmiller, M., & Kohli, P. TORAX: Szybki i różniczkowalny symulator transportu tokamaka w JAX. Preprint arXiv arXiv:2406.06718, opublikowano 10 czerwca 2024 r., ostatnia rewizja 7 grudnia 2024 r. https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., et al. Avoiding fusion plasma tearing instability with deep reinforcement learning. Natura, 626(8001), 746–751, opublikowano 21 lutego 2024. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez-Fernandez, P., Holland, C., & Candy, J. Prediction of performance and turbulence in ITER burning plasmas via nonlinear gyrokinetic profile prediction. Fuzja nuklearna, 65(1), 016002, opublikowano 11 listopada 2024 r. https://doi.org/10.1088/1741-4326/ad8804
5. Corona, D., Scotto d’Abusco, M., Churchill, M., Munaretto, S., Kleiner, A., Wingen, A., & Looby, T. Shadow masks predictions in SPARC tokamak plasma-facing components using HEAT code and machine learning methods. Fusion Engineering and Design, 217, 115010, opublikowano w sierpniu 2025 r. https://doi.org/10.1016/j.fusengdes.2025.115010