DeepMind 深度學習助力核融合競賽,加速電漿控制研究

作者 | 發布日期 2022 年 02 月 18 日 17:29 | 分類 核能 , 能源科技 Telegram share ! follow us in feedly


科學家們透過無止盡的運算、模擬和實驗,努力讓核融合成真,現在 Alphabet 旗下人工智慧公司 DeepMind 與洛桑聯邦理工學院(EPFL)瑞士電漿中心(Swiss Plasma Center )合作,希望能大幅減少冗長的運算時間。

DeepMind 是知名人工智慧實驗室,先前因開發圍棋電腦程式 AlphaGo 並打敗世界排名的圍棋選手,聲名大漲最終被 Google 收購,2021 年也發表世界首個目前最完整的人類蛋白質組(Proteome)結構預測圖庫,解決難倒科學家 50 年的問題。

而人工智慧也可以助力核融合研究,科學家希望能找到穩定維持電漿流的方法,挖掘穩定核融合反應的關鍵。而瑞士電漿中心的核融合設備為外表像甜甜圈的托卡馬克(tokamak),利用強大磁場來控制極高溫電漿,將氫原子融合成氦原子,最終釋放強大能量。

瑞士電漿中心的托克馬克可變配置(variable-condition tokamak,TCV)顧名思義,就是試驗各種不同的電漿型態,研究人員不斷測試控制電漿的方法,讓電漿不會接觸到並損毀核融合設備的內部。

瑞士電漿中心科學家 Federico Felici 表示,我們的模擬設備建立在 20 多年來的研究、現也正不斷更新,然而還是需要進行冗長的運算來確定控制系統每個變數的正確值,也因此我們與 DeepMind 展開聯合研究。

DeepMind 開發的新深度強化學習(Deep Reinforcement Learning),主要是在瑞士電漿中心的模擬設備上嘗試多種不同的電漿控制方案,隨著時間推移、機器獲得更多訓練,演算法便能計算出產生所需電漿型態(plasma configuration)的控制策略,最後就能進行逆向工程生成特定電漿形體。

(Source:DeepMind & SPC/EPFL

最終團隊便能進行實際測試,創造並控制各種拉長或高難度的電漿形狀,好比負三角形(Negative Triangularity)和雪花形狀。DeepMind 控制團隊負責人 Martin Riedmiller 表示,團隊的任務是研究新一代 AI 系統閉迴路控制(closed-loop controllers),讓電腦從零開始地在複雜的動態環境中學習。

(首圖來源:Unknown authorUnknown author, CC BY-SA 2.5, via Wikimedia Commons)