Het nieuwste succes van Google’s AI-groep: fusiereactorbesturing

Terwijl de wereld wacht op de bouw van de grootste fusiereactor tot nu toe, genaamd ITER, kleinere reactoren Met vergelijkbare ontwerpen die nog steeds lopen. Deze reactoren, tokamaks genaamd, helpen ons zowel hardware als software te testen. Hardwaretests helpen ons zaken te verbeteren, zoals de materialen die worden gebruikt voor de containerwanden of de vorm en locatie van de controlemagneten.

Maar het kan gezegd worden dat het programma het belangrijkste is. Om fusie mogelijk te maken, moet de besturingssoftware van de tokamak de toestand van het plasma in de gaten houden en op eventuele veranderingen reageren door realtime aanpassingen aan de magneten van het systeem aan te brengen. Als u dit niet doet, kan dit alles tot gevolg hebben, van lage energie (resulterend in het mislukken van de fusie) tot het zien van plasma dat uit de insluiting lekt (en het verbranden van de wanden van de container).

Het verkrijgen van het juiste besturingsprogramma vereist een gedetailleerd begrip van zowel de besturingsmagneet als het plasma dat door de magneet wordt verwerkt. Of het zou nauwkeuriger zijn om te zeggen: zorg dat deze besturingssoftware goed is je mag vragen. Want vandaag kondigt Google’s DeepMind AI-team aan dat zijn software met succes is getraind om tokamak te besturen.

uit de hand gelopen

Het ontwikkelen van besturingssoftware voor tokamak is een complex proces. Op basis van eerdere ervaringen met vergelijkbare ontwerpen, kunnen ingenieurs enkele van de basisprincipes achterhalen die nodig zijn om de software te laten werken, zoals welke sensoringangen moeten worden gelezen en hoe ze moeten reageren op veranderingen daarin. Maar er zijn altijd eigenaardigheden die afhankelijk zijn van het ontwerp van de apparaten en de energieën van het gebruikte plasma. Daarom is er meestal een iteratief proces van schalen en modelleren, gevolgd door aanpassingen aan het besturingsproces, terwijl er nog steeds voldoende prestaties worden behouden voor bijna-realtime aanpassingen.

Het resulterende besturingsprogramma heeft de neiging enigszins gespecialiseerd te zijn. Als onderzoekers willen experimenteren met een geheel andere plasmageometrie in de tokamak, kan een grote herziening van het programma nodig zijn.

Onderzoekers op dit gebied hadden kunstmatige intelligentie al als mogelijke oplossing aangewezen. Geef genoeg voorbeelden die geschikt zijn voor kunstmatige intelligentie, en zij kunnen vertellen welke besturingsconfiguraties de gewenste eigenschappen in het plasma opleveren. Dit geeft mensen de vrijheid om zich te concentreren op de gewenste eindtoestand die ze willen en laat de software het dan voor hen produceren, zodat ze het kunnen bestuderen. AI moet ook flexibeler zijn; Eenmaal getraind in het besturen van het systeem, zou het in staat moeten zijn om zeer verschillende plasmaconfiguraties te produceren voor studie zonder dat herprogrammering nodig is.

Om met dit idee verder te gaan, hadden we alleen experts in AI en tokamak nodig. Voor de nieuwe onderzoekspaper kwam het AI-team van Google’s DeepMind-divisie, die bekend staat om het ontwikkelen van software die alles aankan. eiwit vouwen naar StarCraft. Tokamak komt hoffelijkheid Zwitsers plasmacentrum Op de EPFL in Lausanne.

fusie oefenen

Omdat het tijdens het trainingsproces een ramp zou kunnen zijn om AI op daadwerkelijke hardware te zetten, begon het team met een tokamak-simulatie specifiek voor de hardware van het Zwitserse Plasmacentrum. Dit was behoorlijk nauwkeurig en ze programmeerden een grens in de AI die verhinderde dat deze plasma’s naar de configuratie leidde waar de simulator onnauwkeurige resultaten zou produceren. DeepMind trainde vervolgens zijn deep learning-software om toegang te krijgen tot verschillende plasmaconfiguraties door ze de simulator te laten besturen.

Tijdens de training zorgde een overlappende laag van de software voor een beloningsfunctie die aangeeft hoe dicht de eigenschappen van het plasma bij de gewenste staat waren. Een ander algoritme, de Criticus genaamd, leerde de verwachte beloningen voor verschillende veranderingen van de controlemagneet van de tokamak. Deze werden gebruikt door het eigenlijke neurale controlenetwerk om te weten welke acties moesten worden ondernomen.

De criticus was uitgebreid en rekenkundig duur, maar werd alleen gebruikt tijdens het trainingsgedeelte. Na training leerde het controle-algoritme welke acties moesten worden ondernomen om verschillende situaties te bereiken, en de criticus kon worden genegeerd.

Om realtime prestaties mogelijk te maken, is de getrainde console gecompileerd als een uitvoerbaar bestand. Een standaard controleprogramma zal worden gebruikt om de tokamak te activeren en het plasma op hoge energie te brengen. Toen het plasma stabiel was, gaf ik de controle over aan de AI.

het werkt!

De resulterende software presteerde ongeveer zoals je zou willen als je hem op echte hardware zet. De software kon experimentele runs besturen die zich in de loop van de tijd op verschillende omstandigheden richtten – in één testgeval verhoogde het het vermogen, hield het plasma stabiel, veranderde vervolgens de plasmageometrie en verplaatste het plasma vervolgens in de tokamak voordat het vermogen opnieuw werd verhoogd. In een ander geval bevatte het tegelijkertijd twee afzonderlijke plasmastructuren in dezelfde tokamak.

Het artikel dat dit werk beschrijft, bevat een grote lijst met dingen die de auteurs nodig hebben. Deze lijst bevat een tokamak-simulator die gedetailleerd genoeg is om nauwkeurig te zijn, maar compact genoeg om snel genoeg feedback te geven om versterkend leren mogelijk te maken. De trainingsset moet zowel algemene omstandigheden bevatten die vergelijkbaar zijn met waar de controle is overgedragen als ongebruikelijke omstandigheden die het mogelijk maken om te leren hoe deze configuraties kunnen worden overgedragen naar experimentele configuraties. Daarnaast moesten de onderzoekers software ontwikkelen die gedetailleerd genoeg was om een ​​breed scala aan mogelijke besturingsopties te evalueren, maar ook in staat zijn om een ​​snel presterende controller te trainen die kon worden gecompileerd tot een uitvoerbaar bestand.

De mensen achter dit werk zijn ook enthousiast over wat toekomstig werk zou kunnen voorspellen. In plaats van dingen te beperken tot het modelleren van bestaande apparaten, suggereren ze dat het mogelijk moet zijn om een ​​iteratie van dit programma de gewenste configuratie van het plasma te geven, en het toe te staan ​​de hardwaregeometrie te definiëren die het mogelijk maakt om dat te creëren. Als alternatief kan het de prestaties van bestaande apparaten verbeteren.

Nu moeten we alleen nog wachten op een AI-waardige fusiereactor.

Natuur, 2022. DOI: 10.1038 / s41586-021-04301-9 (Over DOI’s).