TokaMind zet tokamak-experimenten om in voorspellende modellen om de besturing, simulatie en het ontwerp van STEP-installaties te versnellen.

Kernfusie blijft een van de grote technologische beloften van de energietransitie. Niet omdat het waarschijnlijk op korte termijn fossiele brandstoffen zal vervangen, maar omdat het in één wetenschappelijk probleem veel van de uitdagingen samenbrengt die de industriële innovatie van vandaag de dag definiëren: de besturing van complexe systemen, high-performance computing, het beheer van grote hoeveelheden experimentele data, voorspellende modellen en de veiligheid van kritieke infrastructuur. Dit is de context waarin TokaMind, het basismodel ontwikkeld door IBM de Atoomenergieautoriteit van het Verenigd Koninkrijk en STFC Hartree Centrum om plasma in tokamaks te analyseren.

Het project werd door de partners gepresenteerd als het eerste fundamentele kunstmatige intelligentiemodel specifiek voor fusieplasma. Het doel is niet om tekst, afbeeldingen of inhoud te genereren, zoals bij de meer bekende modellen, maar om heterogene fysische data om te zetten in een gestructureerde weergave van plasmagedrag. Voor fusieonderzoek betekent dit dat men probeert beter te begrijpen wat er gebeurt in een experimentele machine wanneer magnetische velden, systeemgeometrie, temperatuur, dichtheid en hoogfrequente diagnostiek binnen enkele seconden na aanvang van de werking op elkaar inwerken.

Kernfusie heeft als doel de reactie die de zon en sterren van energie voorziet, op aarde na te bootsen. In een tokamak worden waterstofisotopen verhit tot temperaturen die hoger zijn dan die van de zonnekern, waardoor plasma ontstaat: een superheet, geïoniseerd gas dat door magnetische velden wordt ingesloten. De uitdaging is om het plasma heet, dicht en stabiel genoeg te houden om meer energie te produceren dan erin wordt gestopt, terwijl instabiliteiten die de machine kunnen beschadigen, worden vermeden. Dit is de kern van het zogenaamde kernfusieproces. breakeven, de symbolische en technische overgang naar een toekomstige elektriciteitsopwekking op basis van kernfusie.

Wereldwijd zijn er meer dan 50 tokamaks in gebruik, met uiteenlopende configuraties, doeleinden en afmetingen. De industrie werkt niet alleen aan plasmafysica, maar ook aan de mogelijkheid om experimenten, sensoren en simulaties om te zetten in operationele kennis. Kunstmatige intelligentie kan hierbij een versnellende rol spelen, niet als vervanging van de natuurkunde, maar als een tussenlaag tussen experimentele data, wiskundige modellen en technische beslissingen.

Een digitale plasma-atlas is geboren uit de MAST-tokamak.

TokaMind werd getraind op data uit experimenten die werden uitgevoerd met MASTDe Mega Ampere Spherical Tokamak van de UKAEA, die tussen 1999 en 2013 in bedrijf was, was een voorbeeld hiervan. De machine had een compactere configuratie dan de klassieke toroïdale tokamak: de onderzoekers beschreven het ontwerp als meer lijkend op een uitgeholde appel dan op een donut. Deze bolvormige geometrie wordt als interessant beschouwd omdat ze een weg zou kunnen bieden naar compactere en mogelijk efficiëntere centrales.

Tokamak-experimenten worden "shots" genoemd. Ze duren slechts enkele seconden, maar produceren een grote hoeveelheid signalen. Tijdens elke shot kunnen honderden sensoren registreren hoe het plasma reageert op verschillende manipulaties van de machine. De uitdaging is niet alleen het verzamelen van data, maar ook het vergelijkbaar maken ervan: verschillende frequenties, verschillende tijdschalen, diagnostiek die niet altijd volledig is, en fysieke signalen die moeten worden geharmoniseerd tot een coherente weergave.

Volgens het door de partners vrijgegeven materiaal combineert en codeert TokaMind ongeveer 40 verschillende signalen, van de fysieke beschrijving van het plasma tot de diagnostische gegevens van de machine en de magneten. Het model telt... 9 miljoen parametersHet is een klein model in vergelijking met grote generatieve modellen, maar het werkt met zeer complexe fysische informatie. De belangrijkste functie is het creëren van een overdraagbare representatie van plasmadynamica, die vervolgens kan worden gebruikt voor diverse analytische taken.

"Vorig jaar zijn we samen met UKAEA en STFC begonnen met het onderzoeken hoe de meest geavanceerde fundamentele AI-technieken de modellering van fusieplasma en de toepassingen ervan kunnen ondersteunen. Twee jaar later hebben we niet alleen het eerste fundamentele model voor een tokamak uitgebracht, maar ook nieuwe standaarden voor fusiealgoritmeonderzoek."

zei Juan Bernabé-Moreno, Directeur van IBM Research Europa voor Ierland en het Verenigd Koninkrijk.

De beslissing om TokaMind open source te maken, samen met de benchmark TokaMarkHet duidt ook op een culturele verschuiving. Fusie is van oudsher een sector die gebaseerd is op grote infrastructuren, internationale samenwerkingen en verticale expertise. Het publiceren van een model en een evaluatiekader betekent dat een deel van het werk wordt opengesteld voor de wetenschappelijke en industriële gemeenschap, wat vergelijking, validatie en hergebruik stimuleert.

Minder spectaculaire gegevens worden een wetenschappelijke bron.

Een van de belangrijkste aspecten van het project betreft de manier waarop AI de relatie tussen onderzoekers en experimentele data verandert. In het verleden zijn veel ontdekkingen in de fusiefysica voortgekomen uit de analyse van de meest interessante gevallen, dat wil zeggen experimenten met hoge prestaties of afwijkend gedrag. Deze aanpak blijft essentieel, maar dreigt een aanzienlijk deel van de informatie in gewone data over het hoofd te zien.

Rob Akers, directeur van de computerprogramma's bij het UKAEA, vatte het punt samen door te stellen dat de verleiding groot is om naar de meest interessante en best presterende plasma's te kijken. Zelfs de ogenschijnlijk "saaie" opnames kunnen echter nuttige signalen bevatten. Met een model dat is getraind op de volledige dataset, kunnen onderzoekers beslissingen nemen op basis van een bredere informatiebasis, waardoor het risico kleiner wordt dat ze alleen gegevens selecteren die reeds bekende hypotheses bevestigen.

"Nu we modellen kunnen bouwen op basis van alle beschikbare data, vermoed ik dat we waardevolle nieuwe inzichten zullen opdoen. AI stelt ons in staat om beslissingen te nemen op basis van alle gegevens."

Rob Akers legde het uit.

"De grote vraag is of we deze modellen met voldoende zekerheid kunnen uitbreiden tot het punt waarop ze bruikbaar zijn voor het ontwerpen van energiecentrales voor het commerciële tijdperk."

De gebruikte methodologie doet denken aan fundamentele modellen die in andere wetenschappelijke domeinen zijn toegepast. TokaMind werd getraind met gedeeltelijk gemaskeerde data, die het model vervolgens moest reconstrueren. Door te leren de ontbrekende informatie aan te vullen, ontwikkelde het een representatie van het systeem die ook bruikbaar was voor latere taken. In de TokaMark-benchmark, ontworpen door dezelfde onderzoekers, presteerde het model op bijna alle gebieden beter dan de concurrentie. 14 taken een traditioneel machine learning-model dat voor elke taak afzonderlijk is getraind.

Het voordeel was het meest evident in langetermijnvoorspellingen. Tobia Boschi, een IBM-onderzoeker die betrokken was bij de training, benadrukte juist dit punt: het vermogen van het model om een ​​overdraagbare representatie van plasmadynamica te leren. In industriële termen is dit een belangrijke stap: een bruikbare technologie moet niet alleen beschrijven wat er al is gebeurd, maar ook helpen voorspellen hoe het systeem zich zal ontwikkelen onder verschillende bedrijfsomstandigheden.

Pretraining had ook een secundair effect op de kwaliteit van de datasets. In tokamaks kan een enkele sensor afwijkingen detecteren of een deel van het signaal missen zonder dat dit het hele experiment beïnvloedt. Alessandra Pascale, een IBM-onderzoeker die het engineeringteam leidt, legde uit dat het model kan helpen bij het herstellen van gegevens die anders moeilijk te gebruiken zouden zijn. Het gaat er niet om nieuwe meetmethoden te bedenken, maar om de informatieset robuuster te maken wanneer een onderdeel van het diagnosesysteem gebreken of hiaten vertoont.

STEP kijkt terug naar de jaren 40 met robuustere modellen.

De resultaten die met MAST zijn behaald, zijn direct gericht op het toekomstige Britse programma. STAP, Bolvormige Tokamak voor Energieproductie. Het prototype van de UKAEA-fusiecentrale wordt naar verwachting in de jaren 2040 gereed en zal moeten profiteren van de experimenten die vandaag de dag worden uitgevoerd met MAST-upgrade, ofwel MAST-U, in een gebied ten zuiden van Oxford. Elke test draagt ​​bij aan het definiëren van ontwerp-, besturings- en operationele beheersbeslissingen die cruciaal zullen zijn voor een demonstratiefaciliteit.

De sprong van experimentele machine naar commerciële energiecentrale is niet lineair. Plasmafysica wordt beheerst door turbulentie, atomaire interacties, niet-lineaire instabiliteiten en multischalige verschijnselen. Om die reden presenteren de partners TokaMind niet als een zelfvoorzienende oplossing. Het model vertegenwoordigt een eerste stap naar hybride systemen, waarin reële data, fysica-simulaties, high-performance computing en, mogelijk, kwantumalgoritmen allemaal bijdragen aan hetzelfde besluitvormingsproces.

De volgende fase van het project omvat de integratie van data van MAST-U en mogelijk andere tokamaks. Deze uitbreiding zou onderzoekers in staat stellen verschillende machines te vergelijken, veelbelovende configuraties te identificeren en te begrijpen hoe geometrie, regelparameters en plasmatoestand elkaar beïnvloeden. Dit betekent een aanzienlijke schaalverandering: van een representatief model van een installatie naar een platform dat vergelijkende analyses mogelijk maakt.

"We zouden bestaande experimenten mogelijk kunnen aanvullen met nieuwe actuatoren om het plasma te belasten en beter te laten functioneren, waardoor het in een nieuw werkingsregime terechtkomt."

zei Rob Akers.

"Als we experimentele gegevens gaan combineren met ons theoretische, of modelgebaseerde, begrip van plasma, zou dat een revolutionaire verandering teweeg kunnen brengen."

In de taal van industrieel ontwerp kan TokaMind worden gelezen als een surrogaatmodelEen AI-surrogaat vervangt geen hoogwaardige fysieke simulatie, maar maakt wel een snellere verkenning van grote delen van de ontwerpruimte mogelijk. Het is minder rekenintensief, flexibeler in de screeningfase en nuttig voor het identificeren van onzekerheden, veelbelovende combinaties of scenario's die verder onderzocht moeten worden met duurdere tools.

Akers ging ook in op de kwestie van zeldzame gebeurtenissen. Door surrogaatmodellen te combineren met zeer nauwkeurige simulaties kan de algehele kwaliteit van voorspellingen worden verbeterd en kunnen zeer onwaarschijnlijke, maar potentieel ernstige scenario's worden vermeden. In een technologie die ooit stabiel, veilig en continu moet functioneren, is het beheren van risicowachtrijen net zo belangrijk als het verhogen van de gemiddelde prestaties.

AI, HPC en kwantumcomputing komen samen in dezelfde architectuur.

De volgende stap betreft de integratie van machinaal leren en geformaliseerde fysische kennis. Een van de eerste vergelijkingen die onderzoekers voor TokaMind hebben aangegeven, is Grad-ShafranovDit beschrijft het evenwicht in een tokamakplasma: de naar buiten gerichte druk van het plasma wordt gecompenseerd door de naar binnen gerichte kracht van het opsluitende magnetische veld. Door deze kennis te integreren, kan het model beter in staat zijn de vorm, positie en toestand van het plasma te interpreteren.

Deze richting sluit aan bij een bredere trend in wetenschappelijke AI: het overbruggen van de kloof tussen puur statistische modellen en modellen gebaseerd op fysische principes. Het doel is niet om te kiezen tussen data en theorie, maar om ze samen te laten werken. Experimentele data laten zien wat er in de echte machine gebeurt; simulaties stellen ons in staat om omstandigheden te onderzoeken die moeilijk of duur zijn om te reproduceren; fundamentele modellen kunnen deze informatie verenigen in overdraagbare representaties.

Het project zal ook een rol spelen ZonsopgangDe nieuwe AI-supercomputer van het UKAEA zal naar verwachting het krachtigste systeem worden dat specifiek voor fusie-energie is ontwikkeld. Krachtige computerberekeningen blijven de ruggengraat van het hele proces: ze zijn nodig voor het beheren van grote datasets, numerieke simulaties, surrogaatmodellen en toekomstige integraties met kwantummethoden.

"De rekenkundige uitdagingen waarmee we bij kernfusie te maken hebben, kunnen alleen worden opgelost door kwantumcomputing, kunstmatige intelligentie en high-performance computing te combineren."

zei Alessandro Curioni, IBM Fellow en VP van Algoritmen en Toepassingen bij IBM Research.

"Kwantumcomputing kan natuurkundige processen aan die met klassieke computers niet mogelijk zijn, terwijl AI snelle en betrouwbare resultaten kan leveren; HPC vormt de computationele ruggengraat die deze complementaire methoden schaalbaar maakt en integreert."

De reden is technisch. Plasma wordt beheerst door interacties op atomair niveau, turbulentie op meerdere schalen en sterk niet-lineaire dynamica. Datagestuurde modellen kunnen patronen herkennen in experimentele of gesimuleerde datasets, maar ze erven ook de beperkingen van de data waarop ze getraind zijn. Wanneer de onderliggende fysica te complex wordt om met klassieke methoden te simuleren, kan de nauwkeurigheid stagneren. Kwantumcomputing zou, in ieder geval in de toekomst, kwantummechanische systemen natuurlijker kunnen weergeven.

Voor de energiesector is het meest interessante aspect niet de abstracte belofte van kwantumcomputing, maar de potentiële gecombineerde architectuur. AI voor het bouwen van snelle surrogaten, HPC voor het schalen van simulaties en pipelines, en kwantumalgoritmen voor het genereren van zeer nauwkeurige fysica-data voor de momenteel meest uitdagende onderdelen van het probleem. Het is een model van samengestelde innovatie, waarbij vooruitgang voortkomt uit de integratie van diverse instrumenten in plaats van één enkele technologie voor een oplossing.

Kernfusie blijft een grote uitdaging. Geen enkel model kan de complexiteit wegnemen van het realiseren van een stellaire reactie in een veilige, stabiele en concurrerende industriële installatie. TokaMind laat echter zien hoe onderzoek zijn aanpak verandert: minder afhankelijkheid van individuele, representatieve experimenten, meer gebruik van het volledige informatielandschap, meer aandacht voor de overdraagbaarheid van modellen en de convergentie van data, natuurkunde en geavanceerde computertechnologie. Juist in deze transitie, nog voordat het elektriciteitsopwekking mogelijk maakt, genereert kernfusie al innovatie.

Hier zijn drie inzichten die u wellicht interesseren:

WEST tokamak breekt wereldrecord voor stabiel plasma
Kernfusie: zo isoleert MIT plasma en wanden in tokamaks
Google's AI om kernfusieplasma te reguleren