L’ultimo successo del gruppo AI di Google: il controllo del reattore a fusione

Mentre il mondo attende di costruire il più grande reattore a fusione fino ad oggi, chiamato ITER, reattori più piccoli Con disegni simili ancora in esecuzione. Questi reattori, chiamati tokamak, ci aiutano a testare sia l’hardware che il software. I test hardware ci aiutano a migliorare cose come i materiali utilizzati per le pareti del contenitore o la forma e la posizione dei magneti di controllo.

Ma si può dire che il programma è il più importante. Per consentire la fusione, il software di controllo del tokamak deve monitorare lo stato del plasma in esso contenuto e rispondere a eventuali modifiche apportando regolazioni in tempo reale ai magneti del sistema. In caso contrario, si può avere qualsiasi cosa, da una bassa energia (con conseguente errore di fusione) a vedere perdite di plasma dal contenimento (e bruciare le pareti del contenitore).

Per ottenere il giusto programma di controllo è necessaria una comprensione dettagliata sia del magnete di controllo che del plasma che gestisce il magnete. Oppure sarebbe più preciso dire, ottenere questo software di controllo nel modo giusto potresti chiedere. Perché oggi il team DeepMind AI di Google annuncia che il suo software è stato addestrato con successo per controllare il tokamak.

fuori controllo

Lo sviluppo del software di controllo per tokamak è un processo complesso. Sulla base dell’esperienza precedente con progetti simili, gli ingegneri possono raccogliere alcuni dei principi di base necessari per eseguire il software, come quali input del sensore leggere e come rispondere ai cambiamenti in essi contenuti. Ma ci sono sempre stranezze che dipendono dal design dei dispositivi e dalle energie del plasma utilizzato. Pertanto, tende a esserci un processo iterativo di ridimensionamento e modellazione, seguito da aggiustamenti al processo di controllo, pur mantenendo prestazioni sufficienti per aggiustamenti quasi in tempo reale.

Il programma di controllo risultante tende ad essere alquanto specializzato. Se i ricercatori vogliono sperimentare una geometria del plasma completamente diversa nel tokamak, potrebbe essere necessaria un’importante revisione del programma.

I ricercatori in questo campo avevano già individuato nell’intelligenza artificiale una possibile soluzione. Fornisci un numero sufficiente di esempi adatti all’intelligenza artificiale e possono dire quali configurazioni di controllo producono le proprietà desiderate nel plasma. Ciò consentirà alle persone di concentrarsi sullo stato finale desiderato che desiderano e quindi lasciare che il software lo produca per loro in modo che possano studiarlo. L’IA deve anche essere più flessibile; Una volta addestrato su come controllare il sistema, dovrebbe essere in grado di produrre configurazioni plasma molto diverse per lo studio senza la necessità di riprogrammazione.

Per portare avanti questa idea, tutto ciò di cui avevamo bisogno erano esperti di intelligenza artificiale e tokamak. Per il nuovo documento di ricerca, il team AI proveniva dalla divisione DeepMind di Google, nota per lo sviluppo di software in grado di gestire tutto. ripiegamento proteico a Astronave. Tokamak è cortesia Centro svizzero del plasma All’EPFL di Losanna.

praticare la fusione

Poiché mettere l’IA su hardware reale durante il processo di formazione potrebbe essere un disastro, il team ha iniziato con una simulazione di tokamak specifica per l’hardware dello Swiss Plasma Center. Questo era abbastanza accurato e hanno programmato un confine nell’IA che gli impediva di dirigere i plasmi nella configurazione in cui il simulatore avrebbe prodotto risultati imprecisi. DeepMind ha quindi addestrato il suo software di deep learning per accedere a una varietà di configurazioni plasma consentendo loro di controllare il simulatore.

Durante l’allenamento, uno strato sovrapposto del software ha fornito una funzione di ricompensa che indica quanto le proprietà del plasma fossero vicine allo stato desiderato. Un altro algoritmo, chiamato Critico, ha appreso le ricompense previste per vari cambiamenti del magnete di controllo del tokamak. Questi sono stati utilizzati dall’effettiva rete neurale di controllo per sapere quali azioni intraprendere.

Il critico era elaborato e computazionalmente costoso, ma veniva utilizzato solo durante la parte di addestramento. Una volta addestrato, l’algoritmo di controllo ha appreso quali azioni intraprendere per raggiungere una varietà di situazioni e il critico potrebbe essere ignorato.

Per consentire prestazioni in tempo reale, la console addestrata è stata compilata come eseguibile. Verrà utilizzato un programma di controllo standard per attivare il tokamak e portare il plasma ad alte energie. Una volta che il plasma si è stabilizzato, ho passato il controllo all’IA.

sta funzionando!

Il software risultante ha eseguito praticamente quello che vorresti che fosse quando lo metti sull’hardware reale. Il software poteva controllare le corse sperimentali che miravano a condizioni diverse nel tempo: in un caso di prova, ha aumentato la potenza, mantenuto il plasma stabile, quindi ha modificato la geometria del plasma, quindi ha spostato il plasma all’interno del tokamak prima di aumentare nuovamente la potenza. In un altro caso, conteneva simultaneamente due strutture separate di plasma nello stesso tokamak.

Il documento che descrive questo lavoro contiene un ampio elenco di cose di cui gli autori hanno bisogno. Questo elenco include un simulatore di tokamak sufficientemente dettagliato da essere accurato ma sufficientemente compatto da fornire un feedback abbastanza rapidamente da rendere possibile l’apprendimento per rinforzo. Il set di addestramento dovrebbe includere sia condizioni comuni simili a dove è stato trasferito il controllo sia condizioni insolite che gli consentano di imparare come trasferire quelle configurazioni a configurazioni sperimentali. Inoltre, i ricercatori dovevano sviluppare un software sufficientemente dettagliato per valutare un’ampia gamma di potenziali opzioni di controllo, ma anche essere in grado di addestrare un controller ad alte prestazioni che potesse essere compilato in un file eseguibile.

Le persone dietro questo lavoro sono anche entusiaste di ciò che potrebbe presagire un lavoro futuro. Piuttosto che limitarsi a modellare i dispositivi esistenti, suggeriscono che dovrebbe essere possibile fornire a questo programma la configurazione richiesta del plasma e consentirgli di determinare l’architettura hardware che gli consentirà di crearla. In alternativa, può migliorare le prestazioni dei dispositivi esistenti.

Ora dobbiamo solo aspettare un reattore a fusione degno dell’IA.

Natura, 2022. DOI: 10.1038 / s41586-021-04301-9 (Informazioni sui DOI).