Plasma in einem Fusionsreaktor kann innerhalb weniger Tausendstelsekunden instabil werden – zu schnell, als dass ein menschlicher Operator eingreifen könnte. Forschende der Princeton University und des zum US-Energieministerium gehörenden Princeton Plasma Physics Laboratory (PPPL) haben nun gezeigt, dass KI diese Lücke schließen kann.
In einem Paper im Journal Nuclear Fusion beschreibt das Team PACMAN (Prediction And Control using MAchiNe learning), ein Software-Framework, das mehrere Machine-Learning-Modelle direkt an das Kontrollsystem eines Tokamaks anbindet und sie in einer sich wiederholenden Schleife zusammenarbeiten lässt. Die gesamte Schleife läuft typischerweise in etwa 20 Millisekunden – und zwar kontinuierlich, sodass sie Heizung, Magnete und Gasinjektoren schneller anpasst, als es jeder Mensch könnte.
'Machine-Learning-Modelle sind der einzige Weg, das Plasma im Millisekundenbereich zu modellieren', sagt Ko-Leitautor Hiro Farre Kaga. 'Die Geschwindigkeit dieser Modelle ist der Schlüssel zur Kontrolle.'
Das Framework funktioniert wie ein Fließband: Es sammelt Live-Messwerte wie Temperatur, Dichte und Magnetfeldsignale, prüft sie auf Fehler, lässt KI-Modelle den aktuellen und wahrscheinlichen künftigen Zustand des Plasmas schätzen, lässt Regler über Aktionen wie das Verstärken eines Heizstrahls entscheiden und löst schließlich widersprüchliche Befehle auf, wendet strikte Hardware-Sicherheitslimits an und sendet die freigegebenen Anweisungen an die Maschine.
PACMAN wurde in fünf Experimenten am DIII-D-Tokamak der National Fusion Facility in San Diego getestet. Dabei übernahm ein per Reinforcement Learning trainiertes KI-Modell die vollständige Kontrolle über die Heizsysteme; das System erkannte und kontrollierte Wellen, die von schnellen Teilchen angetrieben werden; es regelte Dichte und Rotation auf von Forschenden gesetzte Zielwerte; und es koordinierte gleichzeitig alle sechs Gyrotrons von DIII-D, indem es deren Spiegel in Echtzeit bewegte – etwas, das kein früherer Algorithmus konnte.
Das bemerkenswerteste Ergebnis betraf eine Tearing-Instabilität, die einen Fusionsversuch beenden kann. Herkömmliche Regler erkennen eine solche Instabilität erst, wenn sie bereits begonnen hat, und versuchen sie dann unter Performanzeinbußen zu unterdrücken. In einem PACMAN-Experiment sagte ein Modell die Instabilität rund 200 Millisekunden im Voraus voraus – genug Zeit, das Plasma so zu verändern, dass die Störung gar nicht erst entstand.
Mindestens ebenso wichtig könnte die Modularität des Frameworks sein. Das erste Modell zu integrieren dauerte Monate; das zweite Tage. Forschende sagen, ein neues Modell lasse sich nun in etwa einer Woche hinzufügen, austauschen oder parallel betreiben – das macht KI-Plasmakontrolle von Einzeldemonstrationen zu gemeinsamer Infrastruktur für die Fusionsgemeinschaft. Das Team betont, dass der Mensch das Sagen behält: Hardware-Sicherheitslimits gelten unabhängig von Modell-Empfehlungen, Physiker prüfen jeden Versuch, und die Zielwerte werden vor jedem Experiment von Forschenden festgelegt.
Die Entwickler glauben, dass sich das Framework auf andere Tokamaks übertragen lässt, auch auf noch nicht entworfene Maschinen – ein weiteres Zeichen dafür, dass die Entscheidungen im Millisekundenbereich künftiger Fusionskraftwerke von KI getroffen werden könnten, während Menschen das Ziel vorgeben.
