A DeepMind MI-je képes szabályozni az iszonyatosan forró plazmát a fúziós reaktorokban

2022 / 02 / 18 / Felkai Ádám
A DeepMind MI-je képes szabályozni az iszonyatosan forró plazmát a fúziós reaktorokban
Habár nem mostanság lesz erre szükség, de ez is bizonyítja, hogy a mesterséges intelligencia komoly, gyakorlati problémákat is képes megoldani. Az eredmények ráadásul a fúziós reaktorok fejlesztését is felgyorsíthatják.

A jövő energiája nagy valószínűséggel a Napban (valamint az ahhoz csillagokban) zajló folyamatokat utánzó, vagyis a magfúzió során keletkező energiákat kiaknázó fúziós reaktorok lesznek. A technológiáról bár manapság sokat hallani (például a legutóbbi eredményekről a lentebbi cikkünkben írtunk), mire ennek gyakorlati alkalmazása lehetségessé válik, még akár évtizedek is hátra lehetnek.

Először sikerült elérni, hogy a magfúzió több energiát termeljen, mint amennyi az üzemanyag melegítéséhez szükséges A National Ignition Facility kutatóinak a világon elsőként sikerült elérniük az úgynevezett "égő plazma" állapotot, ami nagyon fontos lépés a fúziós energiatermelés felé vezető úton.

Ennek ellenére már most felmerül, hogy miként lehet a reaktor alapját jelentő, iszonyatos hőfokú plazmát szabályozni, és úgy tűnik, a mesterséges intelligencia erre nem csak képes lesz, de akár olyan megoldásokat is találhat, amit mi emberek nem – ez pedig akár a fúziós reaktorok fejlesztését is felgyorsíthatja. Ez derül ki legalábbis a brit mesterséges intelligenciát fejlesztő DeepMind és a svájci Swiss Federal Institute of Technology Lausanne (EPFL) alá tartozó Swiss Plasma Center közös kutatásából. Habár a fúziós reaktorokról, és azoknak bizonyos típusáról, a tokamakról korábban részletesebben írtunk (cikkünkben a magyarországi tokamakról is megtudhat érdekességeket a tisztelt olvasó), álljon itt egy gyorstalpaló: a nukleáris fúzió annak az atomhasításnak az ellentéte, amelyre a jelenlegi atomreaktorok épülnek. Tehát nem többfelé bontunk egy atommagot, hanem kettőből készítünk egyet – jellemzően a könnyebb hidrogén egyesül nehezebb héliummá jelentős energiafelszabadulás közben. Ez tehát az a reakció, ami a Napot is táplálja. A gond csak az, hogy ilyesmire magától nem kerül sor, ehhez iszonyatos hőmérsékletre van szükség, jellemzően több millió Celsius-fokra. Ezen a hőfokon az anyag sem nem szilárd, sem nem gáz vagy folyékony, hanem úgynevezett plazma-állapotot vesz fel. A feladat tehát ezt a plazmát addig egyben tartani a reaktor belsejében, amíg az energiatermelés be nem indul. Egy csillag, így tehát a Nap esetén is a plazmát az égitest borzalmas gravitációja tartja egyben, ám a Földön ilyesmire nem számíthatunk. Ezért aztán egyéb „trükkökre” van szükségünk, ezek közül pedig most a mágneses megoldásokról kell beszélnünk. Röviden pedig a mágneses reaktorok a tokamakok.

A plazma szabályozása pedig azt jelenti, hogy folyamatosan figyeljük magát a plazmát, és ehhez igazítjuk a mágneses mezőt – ez tehát épp olyan feladat, amit elméletileg egy mesterséges intelligencia kitűnően el tud látni. A DeepMind egyik szakértője szerint azonban ez volt az egyik legnagyobb gyakorlati kihívás, amivel a megerősítéses tanulást alkalmazó rendszerük szembekerült.

Az MI-t első körben egy szimulációban képezték ki, majd miután itt megtanulta, miként befolyásolja a plazma alakját a virtuális reaktorban, a kutatók rábízták a Variable Configuration Tokamak (TCV), a lausanne-i kísérleti tokamak üzemeltetését. A kísérlet végén kiderült, hogy az MI bármiféle további finomhangolás nélkül képes volt szabályozni a plazmát. Habár maga a kísérlet csak két másodpercig tartott, ez nem a mesterséges intelligencia hiányosságát bizonyítja, hanem egyszerűen ennyi ideig működik jelenleg a TCV anélkül, hogy túlforrósodna. Ami a háttérben ketyegő számításokat illeti – az MI másodpercenként tízezer 90 különböző mérést végez a plazma alakjával és elhelyezkedésével kapcsolatban, és ehhez igazítja a feszültséget 19 mágnesben. Ez a visszacsatolásos rendszer pedig jóval gyorsabb volt, mint amivel eddig a tanulásos algoritmusok szembekerültek. Épp ezért az MI-t a kutatók két neurális hálózatra választották szét – a „critic” egy hatalmas neurális hálózat, amely próba-és hiba módszerrel tapasztalta ki a reaktor irányítását az említett szimulációban. A „critic” által megszerzett információkat ezt követően betáplálták egy kisebb, de jóval gyorsabb rendszerbe, az „actor”-ba, amely már a gyakorlatban végezte el a szabályozást a kísérleti tokamakban.

Az MI ráadásul nem csak egyszerűen helyt állt, de olyan mágnesbeállításokat is bevetett, amit az emberek még sosem próbáltak ki, ami alapján valószínűleg újfajta konfigurációkat is fel lehet használni a szabályozás érdekében. A mesterséges intelligencia épp ezért nem csak a kísérleti fázist teszi könnyebbé, de segít jobban megérteni a teljes folyamatot, végső soron pedig a fúziós reaktorok fejlesztését is jelentősen gyorsíthatja.


Autót vennél mostanában? Nézz bele a PLAYER AUTÓTESZT ROVATÁBA!
Minden friss és izgalmas autót kipróbálunk, amit csak tudunk, legyen az dízel vagy elektromos, olcsó vagy luxus, kétszemélyes vagy kisbusz!
Ismerd meg a ROADSTER magazint!
AUTÓK - DESIGN - GASZTRO - KULT - UTAZÁS - TECH // Ha szereted a minőséget az életed minden területén, páratlan élmény lesz!
Ezek is érdekelhetnek
HELLO, EZ ITT A
RAKÉTA
Kövess minket a Facebookon!
A jövő legizgalmasabb cikkeit találod nálunk!
Hírlevél feliratkozás

Ne maradj le a jövőről! Iratkozz fel a hírlevelünkre, és minden héten elküldjük neked a legfrissebb és legérdekesebb híreket a technológia és a tudomány világából.



This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.