Künstliche Intelligenz (KI) wird von vielen als eine der wichtigsten Technologien unserer Zeit betrachtet. Sie kann nicht nur in Form von ChatGPT Antworten auf deine Fragen liefern, sondern auch andere Technologien unterstützen, um eingefahrene und teils stark veraltete Prozesse zu modernisieren. Forschende der Princeton University wollen ihre neue Machine-Learning (ML)-Methode beispielsweise dazu nutzen, die Kernfusion sicherer und massentauglich zu machen.

Stabile Kernfusion dank Princeton-KI

Ein wesentliches Problem von Fusionsreaktoren, insbesondere dem Tokamak, besteht in ihrer Stabilität. Sogenannte Plasma-Edge-Bursts oder Edge Localized Modes (ELMs) sind plötzliche, intensive Energiestöße und Teilchenströme, die im Bereich zwischen dem heißen zentralen Plasma und der Wand des Reaktorgefäßes auftreten. Die Instabilitäten führen zu plötzlichen Freisetzungen von Energie und Teilchen aus dem Randplasma und können so etwa die Wände des Gefäßes beschädigen. Auch können ELMs die Stabilität des Plasmas im Inneren beeinträchtigen und so den kontinuierlichen Betrieb des Reaktors stören.

Konkret unterscheidet man ELMs in drei Typen:

• Typ I: Große, aber seltene Bursts, die mit hohen Energiefreisetzungen einhergehen.
• Typ II: Kleinere, aber häufigere Bursts.
• Typ III: Sehr kleine, aber sehr häufige Bursts.

Zwar ist bekannt, dass die Ausschläge durch Druck- und Temperaturgradienten am Plasmarand entstehen, doch lassen sie sich nur schwierig vorhersagen oder gar steuern. Letzteres lässt sich beispielsweise durch magnetische Konfigurationen in der Feldstruktur des Reaktors erreichen, das Einbringen von kleinen, gefrorenen Deuterium- oder Tritium-Pellets oder den Einsatz externer Magnetfelder, um Instabilitäten zu unterdrücken.

Eine neue Studie im Fachjournal Nature Communications zeigt nun aber auf, wie sich die Leistung der Kernfusion in Tokamaks nicht nur erhöhen, sondern auch stabilisieren lässt – ganz ohne ELMs.

„Nicht nur effektiv, sondern auch vielseitig“

Die neue Methode soll in Echtzeit auf Ungleichmäßigkeiten im Plasmastrom des Reaktors reagieren und zwar nicht nur theoretisch. Bislang sei das neue KI-System, so die entsprechende Pressemitteilung der Princeton University, bereits erfolgreich in zwei unterschiedlichen Einrichtungen des Princeton Plasma Physics Laboratory (PPPL) getestet worden.

„Wir haben nicht nur gezeigt, dass unser Ansatz in der Lage ist, ein Hochleistungsplasma ohne Instabilitäten aufrechtzuerhalten, sondern auch, dass er in zwei verschiedenen Anlagen funktionieren kann“, erklärte der Egemen Kolemen, Forschungsleiter und außer ordentlicher Professor für Maschinenbau und Luft- und Raumfahrttechnik. „Wir haben gezeigt, dass unser Ansatz nicht nur effektiv, sondern auch vielseitig ist.“

Bisherige Maßnahmen zur Eindämmung der Instabilitäten führten immer auch zu einem Leistungsverlust des verwendeten Reaktors. Für die Forschungen brachte das wichtige Erkenntnisse, ein nicht unwesentliches Problem stellte es aber für die Perspektive für die Nutzung der Kernfusion unter Realbedingungen dar. Immerhin sollen Tokamaks in der Zukunft fossile Brennstoffe in der Energiegewinnung ablösen – Stabilität und Leistung sind dann das A und O.

Auch interessant: Fusionsreaktor bricht Rekord: 7-mal heißer als der Kern der Sonne

Maschinelles Lernen eröffnet neue Wege

„In der Vergangenheit musste alles vorprogrammiert werden“, so der SangKyeun Kim, Erstautor der neuen Studie, wissenschaftlicher Mitarbeiter am PPPL und ehemaliger Postdoktorand in Kolemens Gruppe. „Diese Einschränkung hat es schwierig gemacht, das System wirklich zu optimieren, weil es bedeutet, dass die Parameter nicht in Echtzeit geändert werden können, je nachdem, wie sich die Bedingungen im Plasma entwickeln.“

Das Modell verringere Berechnungszeiten und diene als Ersatz für einen „physikalischen Code“, ergänzte der Ko-Erstautor Ricardo Shousha. Ihm zufolge seien vorherige Ansätze dafür kritisiert, ausschließlich datengesteuert zu sein. Das bedeute, sie seien nur so gut wie die Menge an Qualitätsdaten, auf deren Basis sie trainiert worden seien. „Aber da unser Modell ein Ersatz für einen physikalischen Code ist und die Prinzipien der Physik überall gleich gelten, ist es einfacher, unsere Arbeit auf andere Kontexte zu übertragen.“

„Bei vielen der Herausforderungen, mit denen wir bei der Kernfusion konfrontiert sind, sind wir an einem Punkt angelangt, an dem wir zwar wissen, wie wir eine Lösung finden können, aber in unserer Fähigkeit, diese Lösungen umzusetzen, durch die rechnerische Komplexität unserer traditionellen Werkzeuge eingeschränkt sind. Diese Ansätze des maschinellen Lernens haben uns neue Wege eröffnet, um diese bekannten Fusionsherausforderungen anzugehen.“

Egemen Kolemen

Quelle: „Highest fusion performance without harmful edge energy bursts in tokamak“ (Nature Communications, 2024); Princeton University

Seit dem 24. Februar 2022 herrscht Krieg in der Ukraine. Hier kannst du den Betroffenen helfen.