Plazma zamknięta w reaktorze fuzyjnym może zmieniać swoje zachowanie w ciągu zaledwie kilku tysięcznych części sekundy. Dla człowieka to zdecydowanie za szybko, aby zobaczyć pierwsze oznaki niestabilności, przeanalizować dane i odpowiednio zmienić pracę magnesów, systemów grzewczych czy dopływu gazu. Naukowcy z Princeton University oraz Princeton Plasma Physics Laboratory pokazali jednak, że takie zadanie może przejąć sztuczna inteligencja. Opracowany przez nich system PACMAN - Prediction And Control using MAchiNe learning - został przetestowany podczas pięciu eksperymentów na rzeczywistym tokamaku DIII-D w Kalifornii. Jego pełna pętla sterowania może działać w około 20 milisekund, podczas gdy reakcja nawet bardzo skupionego operatora zajmuje raczej sekundy. W jednym z eksperymentów AI przewidziała powstawanie niebezpiecznej niestabilności około 200 milisekund przed jej wystąpieniem i pozwoliła zmienić warunki plazmy tak, aby problem w ogóle się nie rozwinął. To nie oznacza jeszcze gotowej elektrowni fuzyjnej, ale pokazuje, jak ważna może stać się AI w systemach, których człowiek fizycznie nie jest w stanie kontrolować wystarczająco szybko.
Dlaczego człowiek nie jest wystarczająco szybki, aby samodzielnie sterować plazmą fuzyjną?
Tokamak utrzymuje niezwykle gorącą plazmę za pomocą silnych pól magnetycznych. Aby reakcje syntezy jądrowej mogły zachodzić efektywnie, plazma musi pozostawać odpowiednio gorąca, gęsta i stabilna. Problem polega na tym, że jest to środowisko wyjątkowo dynamiczne. Nawet stosunkowo niewielkie zaburzenie może szybko przerodzić się w niestabilność powodującą utratę wydajności albo zakończenie eksperymentu. Operatorzy mają do dyspozycji ogromną liczbę pomiarów - temperaturę, gęstość, sygnały magnetyczne, parametry profilu plazmy czy informacje pochodzące z wielu systemów diagnostycznych. Samo zebranie tych danych nie wystarcza. Trzeba jeszcze rozpoznać, co dzieje się z plazmą, przewidzieć jej zachowanie i zdecydować, jak zmienić pracę urządzeń sterujących. Niektóre procesy rozwijają się przy tym w czasie liczonym w milisekundach, podczas gdy człowiek reaguje w skali sekund.
Klasyczne komputerowe modele fizyczne również nie rozwiązują całkowicie problemu. Zaawansowane symulacje plazmy potrafią być niezwykle dokładne, ale obliczenia mogą trwać godziny, dni, a w najbardziej wymagających przypadkach nawet znacznie dłużej. Są świetne do planowania eksperymentu albo analizy jego wyników, lecz nie nadają się do sytuacji, w której decyzję trzeba podjąć w ciągu 20 czy 50 milisekund. Modele uczenia maszynowego mogą natomiast nauczyć się zależności pomiędzy wieloma parametrami na podstawie wcześniejszych danych i później bardzo szybko oceniać aktualny stan plazmy. Nie zastępują przy tym całej fizyki reaktora. Pełnią raczej funkcję niezwykle szybkiego modelu przybliżonego, który potrafi na bieżąco wskazać, że system zmierza w niepożądanym kierunku i że trzeba natychmiast zmienić określone parametry.
Czym jest system PACMAN i jak sztuczna inteligencja steruje tokamakiem DIII-D?
PACMAN nie jest pojedynczym modelem AI, który otrzymuje pełną kontrolę nad całym urządzeniem. To architektura umożliwiająca współpracę wielu modeli uczenia maszynowego, klasycznych regulatorów oraz systemów diagnostycznych. Proces rozpoczyna się od zebrania pomiarów z tokamaka. Dane dotyczą między innymi temperatury, gęstości oraz sygnałów magnetycznych. Następnie system sprawdza ich poprawność i przygotowuje je w formie możliwej do wykorzystania przez kolejne moduły. Poszczególne modele AI wybierają potrzebne informacje i określają, co aktualnie dzieje się z plazmą albo jak prawdopodobnie zachowa się ona w najbliższym czasie. Dopiero kolejne regulatory przeliczają te przewidywania na konkretne polecenia kierowane do urządzeń wykonawczych, takich jak systemy ogrzewania plazmy, źródła neutralnych wiązek czy układy dostarczające gaz.
Ostatni etap jest szczególnie ważny z punktu widzenia bezpieczeństwa. Jeżeli kilka regulatorów jednocześnie chciałoby sterować tym samym urządzeniem w różny sposób, PACMAN musi rozwiązać konflikt przed wysłaniem polecenia. System nakłada również ograniczenia wynikające z dopuszczalnych parametrów sprzętu. W publikacji naukowcy opisują między innymi mechanizm ograniczania wartości wyjściowych do poprawnych zakresów, dzięki czemu model nie może bezpośrednio zażądać od urządzenia zachowania wykraczającego poza ustalone limity. Architektura została świadomie podzielona na kilka poziomów, podobnie jak praca zespołu znajdującego się w sterowni tokamaka. Człowiek określa cele eksperymentu, natomiast oprogramowanie wykonuje szybkie decyzje operacyjne konieczne do ich osiągnięcia. AI nie otrzymuje więc nieograniczonej swobody działania - ma realizować zadanie zdefiniowane wcześniej przez naukowców w ramach określonych ograniczeń.
Jak AI przewidziała niestabilność plazmy 200 milisekund przed jej pojawieniem się?
Jednym z najbardziej interesujących testów PACMAN było przewidywanie tzw. tearing mode, czyli rodzaju niestabilności magnetycznej mogącej znacząco pogorszyć warunki utrzymywania plazmy. Problem z tradycyjnym podejściem polega na tym, że standardowy regulator często reaguje dopiero wtedy, kiedy niestabilność już się pojawi. Można próbować ją następnie tłumić, lecz wymaga to dodatkowych działań i może obniżać parametry eksperymentu. Zdecydowanie korzystniejsze byłoby zauważenie, że warunki prowadzące do niestabilności właśnie zaczynają się tworzyć, zanim sama niestabilność stanie się wyraźnie widoczna. W jednym z eksperymentów opisanych przez zespół Princeton model uczenia maszynowego przewidział tearing mode około 200 milisekund wcześniej. W świecie codziennych technologii to ułamek sekundy, ale dla systemu działającego w pętli co około 20 milisekund oznacza czas wystarczający na wykonanie kilku kolejnych cykli pomiaru i sterowania.
Zamiast więc czekać na rozwinięcie problemu, system mógł wcześniej zmienić warunki panujące w plazmie. To właśnie możliwość przejścia od reaktywnego do predykcyjnego sterowania może być jednym z najważniejszych zastosowań AI w przyszłej energetyce fuzyjnej. Dzisiejsze systemy bezpieczeństwa w wielu dziedzinach działają dopiero po wykryciu niepożądanego zjawiska. Uczenie maszynowe daje szansę na wykrywanie subtelnych kombinacji sygnałów poprzedzających problem, których operator nie byłby w stanie samodzielnie zauważyć w ogromnym strumieniu danych. Trzeba jednak pamiętać, że wynik osiągnięty w DIII-D dotyczył konkretnego rodzaju niestabilności i eksperymentalnego tokamaka. Nie oznacza, że AI potrafi już przewidywać każdy możliwy problem w przyszłej elektrowni fuzyjnej. Pokazuje natomiast praktyczną możliwość zastosowania takich modeli w rzeczywistym urządzeniu, a nie wyłącznie w symulacji komputerowej.
Jak szybko PACMAN reaguje w porównaniu z operatorem kontrolującym eksperyment fuzyjny?
Według badaczy pełna pętla PACMAN zwykle trwa około 20 milisekund. Oznacza to, że w ciągu jednej sekundy system może wielokrotnie odebrać świeże dane, przetworzyć je, uruchomić modele, ustalić odpowiednią reakcję i przekazać nowe polecenia do urządzeń wykonawczych. Jeden z autorów badania, Andrew Rothstein, zwrócił uwagę, że bardzo skupiony człowiek może zareagować w czasie liczonym raczej w sekundach. Różnica nie polega więc na tym, że AI jest trochę szybsza. Przy części zjawisk zachodzących wewnątrz tokamaka człowiek po prostu znajduje się w zupełnie innej skali czasowej. Zanim operator zauważy zmianę na monitorze i podejmie decyzję, plazma może przejść już przez wiele kolejnych stanów. PACMAN może natomiast powtarzać cykl obserwacji i reakcji bez przerwy, śledząc nawet niewielkie zmiany pojawiające się pomiędzy kolejnymi iteracjami.
Nie oznacza to jednak, że każdą niestabilność można kontrolować za pomocą systemu pracującego co 20 milisekund. Autorzy publikacji zaznaczają, że istnieją zjawiska rozwijające się jeszcze szybciej, nawet w czasie poniżej jednej milisekundy. W takich przypadkach PACMAN w obecnej formie byłby zbyt wolny. Jest to ważne ograniczenie, ponieważ medialne hasło o AI reagującej szybciej od człowieka mogłoby sugerować niemal natychmiastową kontrolę nad dowolnym problemem w tokamaku. W rzeczywistości system jest projektowany do określonej klasy procesów i musi współpracować z jeszcze szybszymi, niskopoziomowymi regulatorami sprzętowymi. Przyszła elektrownia fuzyjna prawdopodobnie będzie więc korzystała z wielowarstwowego sterowania: najprostsze zabezpieczenia sprzętowe będą działały ekstremalnie szybko, wyżej znajdą się klasyczne regulatory, a modele AI będą przewidywały bardziej złożone zachowanie całej plazmy.
Jakie zadania sztuczna inteligencja wykonywała podczas eksperymentów na DIII-D?
Naukowcy sprawdzili PACMAN w pięciu różnych eksperymentach, aby pokazać, że system nie jest przeznaczony tylko do jednego rodzaju sterowania. W jednym przypadku wykorzystano uczenie ze wzmocnieniem do sterowania systemami grzewczymi tokamaka. W innym model przewidywał gwałtowne zjawiska zachodzące na krawędzi plazmy. Testowano także kontrolę fal generowanych przez wysokoenergetyczne cząstki, sterowanie profilem plazmy oraz wspomniane przewidywanie tearing mode. Dzięki takiemu podejściu PACMAN można traktować bardziej jako wspólną platformę, do której naukowcy podłączają kolejne modele, niż jako pojedynczy algorytm rozwiązujący jeden problem. Jest to istotne, ponieważ przyszły reaktor będzie wymagał jednoczesnego pilnowania dziesiątek różnych parametrów, a poszczególne cele mogą czasem ze sobą konkurować.
Szczególnie efektowny był eksperyment związany z sześcioma gyrotronami wykorzystywanymi do ogrzewania plazmy potężnymi wiązkami mikrofal. PACMAN sterował jednocześnie mocą wszystkich sześciu urządzeń oraz ustawieniem ich zwierciadeł, próbując osiągnąć złożone cele wyznaczone przez badaczy. Według zespołu system na bieżąco znajdował odpowiednią kombinację ustawień i po zakończeniu eksperymentu dane pokazały, że zachowywał się zgodnie z oczekiwaniami. To dobry przykład zadania, w którym problem nie polega tylko na szybkości. Liczba możliwych kombinacji sterowania wieloma urządzeniami naraz jest tak duża, że ręczne znalezienie optymalnego rozwiązania w czasie rzeczywistym byłoby bardzo trudne. AI może analizować kilka zależności równocześnie i podejmować decyzję, zanim warunki w plazmie zdążą się istotnie zmienić.
Dlaczego sztuczna inteligencja może być kluczowa dla przyszłych elektrowni fuzyjnych?
Eksperymentalne tokamaki prowadzą pojedyncze wyładowania, pomiędzy którymi badacze mają czas na analizowanie danych i modyfikowanie ustawień. Komercyjna energetyka fuzyjna musiałaby działać zupełnie inaczej. Elektrownia powinna utrzymywać stabilną produkcję przez bardzo długi czas, a operator nie może co kilka minut zatrzymywać systemu i przez kilka dni analizować symulacji przed kolejną próbą. Każda niewielka niestabilność musi zostać rozpoznana i skorygowana automatycznie. Jednocześnie urządzenie będzie prawdopodobnie posiadało znacznie więcej systemów diagnostycznych, grzewczych, magnetycznych i bezpieczeństwa niż obecne konstrukcje badawcze. Ilość informacji generowana w czasie rzeczywistym będzie ogromna. W takich warunkach AI może stać się odpowiednikiem automatycznego pilota - nie zastępując człowieka w określaniu celu, ale wykonując tysiące drobnych korekt koniecznych do jego utrzymania.
Najważniejsze może być przy tym przewidywanie, a nie samo reagowanie. Reaktor pracujący blisko swoich optymalnych parametrów powinien unikać niestabilności, zamiast stale dopuszczać do ich występowania i później je tłumić. Każde gwałtowne zdarzenie może powodować utratę produkcji, dodatkowe obciążenie elementów konstrukcyjnych albo konieczność zakończenia wyładowania. Model potrafiący przewidzieć zmianę kilkadziesiąt czy kilkaset milisekund wcześniej może pozwolić na delikatną korektę jeszcze zanim problem stanie się poważny. Właśnie dlatego badania nad sterowaniem AI prowadzone są równolegle z rozwojem nowych materiałów, magnesów czy systemów ogrzewania. Nie wystarczy bowiem zbudować tokamaka zdolnego osiągnąć odpowiednie parametry. Trzeba jeszcze utrzymać je przez czas wystarczająco długi, aby energia fuzyjna mogła kiedyś stać się praktycznym źródłem energii elektrycznej.
Czy sztuczna inteligencja sama będzie decydowała, co dzieje się wewnątrz reaktora fuzyjnego?
System PACMAN został zaprojektowany tak, aby ludzie nadal ustalali nadrzędne cele eksperymentu. Badacze określają, jaki stan plazmy chcą osiągnąć, a modele i regulatory poszukują sposobu wykonania tych poleceń w bardzo krótkiej skali czasowej. To ważne rozróżnienie. Sztuczna inteligencja nie otrzymuje zadania w rodzaju „prowadź tokamak tak, jak uznasz za najlepsze”, lecz działa w ściśle określonej architekturze i w ramach ograniczeń sprzętowych. PACMAN posiada również mechanizmy pozwalające wychwycić sprzeczne polecenia oraz ograniczyć wartości wysyłane do urządzeń. W praktyce przypomina to hierarchię istniejącą już w sterowni tokamaka: naukowiec określa cel eksperymentu, operatorzy przekładają go na sposób pracy urządzenia, a niższe systemy sterujące wykonują konkretne działania. AI automatyzuje przede wszystkim tę środkową warstwę, w której szybkość i liczba zmiennych zaczynają przekraczać możliwości człowieka.
Bezpieczeństwo pozostanie szczególnie ważne, ponieważ model uczenia maszynowego może popełnić błąd albo znaleźć się w sytuacji znacząco różniącej się od danych, na których był trenowany. Z tego powodu nie można traktować AI jako jedynego zabezpieczenia reaktora. Niezależne systemy sprzętowe, klasyczne regulatory i procedury awaryjne nadal będą niezbędne. PACMAN pokazuje raczej, jak można bezpiecznie włączyć modele uczenia maszynowego pomiędzy diagnostykę a urządzenia wykonawcze. Nawet autorzy publikacji zwracają uwagę na potrzebę sprawdzania błędów wejściowych, nakładania limitów na polecenia oraz kontrolowania konfliktów pomiędzy regulatorami. Rozwój AI dla energetyki fuzyjnej nie oznacza więc oddania elektrowni autonomicznemu algorytmowi, lecz dodanie bardzo szybkiej warstwy sterowania, która działa pod nadzorem człowieka i w ramach wcześniej zaprogramowanych granic.
Czy AI oznacza, że komercyjna energia fuzyjna pojawi się szybciej?
Osiągnięcie szybkiej i stabilnej kontroli plazmy rozwiązuje jeden z ważnych problemów energetyki fuzyjnej, ale nie usuwa wielu pozostałych. Nadal trzeba opracować urządzenia potrafiące utrzymywać reakcje w warunkach odpowiednich do ekonomicznej produkcji energii, materiały odporne na długotrwałe bombardowanie neutronami, trwałe elementy pierwszej ściany, efektywne systemy usuwania ciepła oraz rozwiązania dotyczące paliwa, w tym gospodarki trytem w koncepcjach deuterowo-trytowych. Do tego dochodzą koszty budowy, obsługi i serwisowania przyszłych instalacji. DIII-D, na którym testowano PACMAN, jest urządzeniem badawczym, a nie elektrownią. Jest jednocześnie największym działającym tokamakiem w Ameryce Północnej i ważnym miejscem testowania technologii potrzebnych przyszłym systemom fuzyjnym.
Znaczenie nowego rozwiązania polega więc przede wszystkim na pokazaniu, że uczenie maszynowe można bezpośrednio połączyć z rzeczywistym systemem sterowania tokamaka i wykorzystywać podczas prawdziwych eksperymentów. Wcześniejsze badania wielokrotnie pokazywały, że AI potrafi przewidywać zachowanie plazmy albo wykonywać określone zadania w symulacjach. PACMAN próbuje zbudować wspólną architekturę, dzięki której wiele różnych modeli może jednocześnie uczestniczyć w sterowaniu urządzeniem. Jeżeli podobne rozwiązania będą rozwijane wraz z kolejnymi generacjami tokamaków, przyszła sterownia reaktora fuzyjnego może wyglądać zupełnie inaczej niż dzisiejsze laboratorium. Człowiek będzie decydował, jakie parametry chce osiągnąć, natomiast miliony drobnych korekt potrzebnych do utrzymania plazmy mogą być wykonywane automatycznie. Przy zjawiskach rozwijających się w milisekundach nie będzie to wyłącznie wygoda - może być jednym z warunków umożliwiających praktyczne wykorzystanie energii fuzyjnej.
