هوش مصنوعی ناپایداری لحظه‌ای پلاسما را در رآکتور همجوشی هسته‌ای نظارت می‌کند

دانشمندان به تازگی یک راه‌حل مبتنی بر هوش مصنوعی  شده‌اند که می‌تواند ناپایداری لحظه‌ای پلاسما را در رآکتور همجوشی هسته‌ای نظارت و کنترل کند.

براساس این راه‌حل هوش مصنوعی می‌تواند ناپایداری و عدم استحکام ممکن پلاسما به نام “ناپایداری حالت گسستگی” را پیش‌بینی کند. این ناپایداری‌ها ناشی از تداخل جریان و گرادیان فشار در پلاسما هستند و به ایجاد جزایر مغناطیسی منجر می‌شوند که تحت تأثیر آن محدودیت‌های پلاسما تداخل می‌کنند.

بیشتر بخوانید: دخالت هوش مصنوعی در تشخیص های پزشکی ؛ آیا باید نگران بود؟

کنترل ناپایداری لحظه‌ای پلاسما در رآکتور همجوشی هسته‌ای به کمک هوش مصنوعی

نیروی همجوشی هسته‌ای، منشأ اصلی انرژی خورشید است که باعث امکان حیات بر روی زمین می‌شود. درون دستگاه توکاماک (tokamak)، یک محفظه به شکل دونات وجود دارد که به منظور تحقق همجوشی هسته‌ای طراحی شده است. در این محفظه، اتم‌های هیدروژن با نیروی عظیمی به یکدیگر برخورد کرده و پلاسمای بسیار داغ و چرخان ایجاد می‌شود که حتی داغ‌تر از خورشید است.

هرچند همجوشی هسته‌ای چشم‌اندازهای روشنی را برای تبدیل شدن به یک منبع انرژی پایدار دارد، اما چالش‌های فنی و مهندسی بزرگی برای اجرای این فناوری در مقیاس تجاری باقی مانده است. یکی از این چالش‌ها این است که پلاسمای درون رآکتور همجوشی ممکن است استحکام خود را از دست دهد و این ناپایداری پلاسما می‌تواند به اختلالات ناگهانی و گسترده‌ای منجر شود که ممکن است فرآیند همجوشی را خاتمه دهد.

جائه‌مین سئو، نویسنده اصلی این تحقیق، اظهار داشت: “ناپایداری حالت گسستگی یکی از دلایل اصلی اختلال پلاسما است و زمانی که ما قصد داریم واکنش‌های همجوشی را با قدرت‌های بالا انجام دهیم که برای تولید انرژی کافی لازم است، این چالش‌ها به چشم می‌آید. آنها چالش‌های مهمی برای حل دارند.”

تیم دانشمندان در مرکز ملی فیوژن DIII-D در سن دیگو، آمریکا، به کمک یک مدل هوش مصنوعی که با استفاده از داده‌های گذشته آموزش دیده‌شده است، توانستند ناپایداری حالت گسستگی را تا 300 میلی‌ثانیه قبل از وقوع پیش‌بینی کنند.

گرچه این بازه زمانی بسیار کوتاه به نظر می‌رسد، اما برای هوش مصنوعی کافی است تا نحوه عملکرد رآکتور را تنظیم کند. این مطالعه همچنین نشان می‌دهد که ترکیبی از هوش مصنوعی و فیزیک پلاسما می‌تواند در بهبود کنترل فرآیند همجوشی و جلوگیری از ناپایداری‌ها موثر باشد. این رویکرد متفاوت است زیرا به جای تمرکز بر ناپایداری‌ها در زمان وقوع، پیش‌بینی و پیشگیری از آنها را مدنظر قرار می‌دهد.

در پژوهش تجربی، تیم پژوهشگران توانستند پتانسیل جلوگیری از آسیب به خطوط میدان مغناطیسی پلاسما را بررسی کنند که می‌تواند توقف واکنش همجوشی را فراهم آورد.

سئو توضیح داد: “معمولاً تحقیقات قبلی بر تضعیف یا کاهش اثرات ناپایداری‌های گسستگی پس از وقوع در پلاسم

ا تمرکز داشته‌اند، اما رویکرد ما این امکان را فراهم می‌کند که این بی‌ثباتی‌ها را پیش از وقوع پیش‌بینی کرده و از آنها جلوگیری کنیم.”

پژوهشگران با استفاده از داده‌های گذشته توکاماک، یک شبکه عصبی عمیق را برای پیش‌بینی ناپایداری‌های آینده ایجاد کردند و یک الگوریتم یادگیری تقویتی را برای کنترل پلاسما آموزش دادند. این روش به اصلاح پارامترهای توکاماک در لحظه توانسته است با موفقیت از ناپایداری‌ها در طول یک آزمایش همجوشی واقعی جلوگیری کند.

تفاوت این روش با رویکردهای فعلی در این است که به جای تمرکز بر روی ناپایداری‌ها پس از وقوع، از ابتدا به پیش‌بینی و جلوگیری از آنها متمرکز شده است. سانگ کیون کیم، یکی از نویسندگان این مطالعه، اظهار کرد: “پیش‌بینی ناپایداری‌ها از قبل، اجرای واکنش‌ها را نسبت به روش‌های فعلی، که به ناپایداری‌ها پس از وقوع توجه دارند، آسان‌تر می‌کند. ما دیگر لازم نیست منتظر بمانیم تا ناپایداری‌ها رخ دهند و سپس اقدامات اصلاحی سریع قبل از مختل شدن پلاسما را انجام دهیم.”

سئو همچنین افزود: “ما شواهدی قوی داریم که نشان می‌دهند کنترل‌گر در DIII-D به خوبی عمل می‌کند، اما نیاز به داده‌های بیشتری داریم تا نشان دهیم که در شرایط مختلف نیز عملکرد خوبی دارد. ما می‌خواهیم به سمت چیزی جهانی‌تر برویم.”

این تحقیق در مجله Nature منتشر شده است.

بیشتر بخوانید: 

نظرات و اطلاعات خود را درباره‌ی کنترل ناپایداری لحظه‌ای پلاسما در رآکتور همجوشی هسته‌ای به کمک هوش مصنوعی با مجله خبری آی تی و دیجیتال و دیگر کاربران به اشتراک بگذارید و اخبار علمی را با ما دنبال کنید.