Konsorcjum EUROfusion, wspierając postępy w badaniach nad energią z syntezy jądrowej, uruchomiło 15 nowych projektów badawczych, które angażują ekspertów z dziedziny data science z całej Europy. Projekty te wykorzystają największy i najbardziej zróżnicowany na świecie zestaw danych z eksperymentów nad syntezą termojądrową, aby opracować optymalne metody rozumienia i kontrolowania procesu fuzji izotopów wodoru, przyspieszając tym samym drogę do jego praktycznego zastosowania w energetyce.

Nowe technologie w polskich badaniach nad syntezą jądrową

Jeden z projektów został przyznany zespołowi badawczemu z Instytutu Fizyki Plazmy i Laserowej Mikrosyntezy (IFPiLM), który zajmuje się rozwojem diagnostyki LIBS (Laser Induced Breakdown Spectroscopy) w kontekście badań nad fuzją jądrową. Naukowcy, którzy wcześniej uczestniczyli w kluczowych eksperymentach LIBS jako zastosowanie zdalnie sterowanej głowicy diagnostycznej w tokamaku FTU we Włoszech, obecnie skupią się na wdrażaniu metod uczenia maszynowego do masowego przetwarzania danych spektroskopowych. Ich celem jest wykorzystanie modeli opartych na sieciach konwolucyjnych, które świetnie sprawdzają się w analizie obrazów, do nowych wyzwań w diagnostyce spektralnej. Choć dane spektroskopowe wymagają specyficznych metod wstępnej obróbki i architektury sieci, główny autor projektu dr inż. Paweł Gąsior z IFPiLM, podkreśla, że potencjał sztucznej inteligencji może przynieść podobne przełomowe rezultaty, jak te obserwowane w innych dziedzinach, takich jak rozpoznawanie obrazów. Oprócz zespołu z IFPiLM zaangażowani w badania są także naukowcy z CU (Słowacja) i FZJ (Niemcy). Pierwszy test nowatorskiego podejścia zostanie przeprowadzony na podstawie danych z trwającego eksperymentu LIBS for JET na tokamaku JET w Culham w Wielkiej Brytanii, co otwiera nowe perspektywy dla zastosowań technologii LIBS w badaniach fuzji jądrowej.

Energia z fuzji jądrowej obiecuje dostarczenie bezpiecznej, zrównoważonej i niskoemisyjnej energii, uzupełniając inne czyste źródła energii, takie jak słońce i wiatr. Aby to osiągnąć, konieczne jest pokonanie złożonych wyzwań fizyki i inżynierii, takich jak zrozumienie ruchu naładowanych cząstek w polu magnetycznym, łagodzenie zakłóceń, analiza erozji materiałów oraz przetwarzanie danych wystarczająco szybko do wykorzystania w pętlach sterowania. Sztuczna inteligencja i uczenie maszynowe oferują nowe możliwości pogłębienia naszej wiedzy na temat tych zjawisk. Są to narzędzia, które umożliwiają znaczny postęp we wszystkich tych pozornie całkowicie odmiennych obszarach badawczych.

Dr inż. Paweł Gąsior podkreśla, że zastosowanie sztucznej inteligencji może przynieść przełomowe rezultaty: „Uczenie maszynowe, szczególnie sieci konwolucyjne, wykazało niezwykłą zdolność do rozpoznawania wzorców w dużych zbiorach danych. Dzięki temu mogą one znacząco wspomóc przetwarzanie danych spektralnych, które mimo swojej wrażliwości na warunki eksperymentalne, zawierają informacje zakodowane w sposób zbyt złożony, by tradycyjne metody przetwarzania mogły je uchwycić”.

Sztuczna inteligencja przyspieszy postęp w badanach

„Dzięki nowym projektom badawczym w dziedzinie sztucznej inteligencji i uczenia maszynowego, EUROfusion dąży do przyspieszenia postępów w kierunku energii fuzyjnej i wspiera bieżące wysiłki w ramach swoich pakietów roboczych” – wyjaśnia Sara Moradi z Jednostki Zarządzania Programami EUROfusion. „Uczenie maszynowe i sztuczna inteligencja są potężnymi narzędziami do wyciągania wniosków z danych, odkrywania wzorców i proponowania schematów sterowania, które są zbyt obliczeniowo wymagające, aby je zidentyfikować za pomocą tradycyjnych modeli komputerowych”.

Obszerny zestaw danych EUROfusion dotyczący eksperymentów fuzyjnych został zgromadzony przez dziesięciolecia badań, od najwcześniejszych maszyn fuzyjnych po najnowocześniejsze systemy obecnie działające. Ten niezrównany zasób pozwala EUROfusion na wyjątkowe prowadzenie aplikacji sztucznej inteligencji w badaniach fuzyjnych.

Fuzja jest doskonałym poligonem doświadczalnym dla sztucznej inteligencji i uczenia maszynowego, zgadza się José Vicente (Uniwersytet Lizboński), główny badacz jednego z piętnastu projektów. „Jako bardzo złożony system ma wiele otwartych pytań. Możemy już na nie odpowiadać dzięki dzisiejszym dużym ilościom danych eksperymentalnych i realistycznym symulacjom numerycznym kluczowych zjawisk fizycznych, ale nie na wszystkie - to jest luka, którą sztuczna inteligencja może pomóc wypełnić”.

Piętnaście projektów otrzyma łącznie 2 659 000 euro, z czego połowa pochodzi ze wspólnego finansowania współpracy instytutów macierzystych badaczy, a połowa z EUROfusion. Projekty badawcze będą realizowane przez okres dwóch lat.

Projekty wsparte przez EUROfusion, w tym ten realizowany przez zespół z IFPiLM, mają ogromny potencjał do rozwiązywania kluczowych wyzwań w badaniach nad syntezą jądrową. Dążenie do efektywniejszych i bardziej precyzyjnych strategii kontrolnych zbliża nas do realizacji energii fuzyjnej jako zrównoważonego źródła energii przyszłości.

Artystyczna wizja badań nad sztuczną inteligencją dla fuzji jądrowej. Credit: Pexels / GoogleDeepMind

Lista projektów:

David Zarzoso (CEA / CNRS, France)
Artificial Intelligence augmented Scrape Off Layer modelling for capturing impact of filaments on transport and PWI in mean field codes simulations.

Feda Almuhisen (CEA / Aix-Marseille Université, France)
Towards Tokamak operations Conversational Artificial Intelligence Interface Using Multimodal Large Language Models

Augusto Pereira (CIEMAT, Spain)
Testing cutting-edge Artificial Intelligence research to increase pattern recognition and image classification in nuclear fusion databases

Sven Wiesen (DIFFER, the Netherlands)
Machine learning accelerated Scrape Off Layer L simulations: SOLPS-NN

Gergő Pokol (EK-CER, Hungary)
Fast inference methods of advanced diagnostics for real-time control

Riccardo Rossi (ENEA / Università di Roma Tor Vergata, Italy)
Artificial Intelligence-assisted Causality Detection and Modelling of Plasma Instabilities for Tokamak Disruption Prediction and Control

Michela Gelfusa (ENEA / Università di Roma Tor Vergata, Italy)
Development of Physics Informed Neural Networks (PINNs) for Modelling and Prediction of Data in the Form of Time Series

Alessandro Pau (EPFL, Switzerland)
Artificial Intelligence-assisted Plasma State Monitoring for Control and Disruption-free Operations in Tokamaks

Paweł Gąsior (IPPLM, Poland)
Laser Induced Breakdown Spectrocopy data-processing with Deep Neural Networks and Convolutional Neural Networks for chemical composition quantification in the wall of the next step-fusion reactors

Jose Vicente (IST, Portugal)
Deep Learning for Spectrogram Analysis of Reflectometry Data

Geert Verdoolaege (LPP-ERM-KMS / Ghent University, Belgium)
Identification and confinement scaling of hybrid scenarios across multiple devices

Marcin Jakubowski (IPP, Germany)
Leveraging Generative Artificial Intelligence Models for Thermal Load Control in High-Performance Steady-State Operation of Fusion Devices

Daniel Böckenhoff (IPP, Germany)
Surrogate modelling of ray-tracing and radiation transport code for faster real-time plasma profile inference in a magnetic confinement device

Antti Snicker (VTT, Finland)
Applying Artificial Intelligence/Machine Learning for Neutral Beam Injection ionization and slowing-down simulations using ASCOT/BBNBI

Aaro Järvinen (VTT, Finland)
Machine learning accelerated pedestal Magneto Hydro Dynamics stability simulations

Źródło: EUROfusion