Füzyon sistemlerini kontrol etmeye yönelik PACMAN AI çerçevesi, önemli kararları milisaniyeler içinde güvenli bir şekilde alır

Bazı füzyon enerji sistemlerinde, güneşin çekirdeğinden daha sıcak parçacıklar, saniyenin birkaç binde biri kadar bir sürede, herhangi bir insan operatörün tepki verebileceğinden çok daha hızlı bir şekilde kontrolsüz hale gelebilir. ABD Enerji Bakanlığı’nın (DOE) Princeton Plazma Fizik Laboratuvarı (PPPL) ve Princeton Üniversitesi’ndeki araştırmacılar tarafından geliştirilen yeni bir yazılım çerçevesi, anlık kararları yapay zekaya (AI) aktarırken, makineyi güvende tutarken, insanları da hedeflerin sorumluluğunda tutuyor.

PACMAN (MAchiNe öğrenimini kullanan Prediction And Control’ün yeni bir kısaltması) olarak bilinen AI çerçevesi, gerçek bir füzyon sistemi üzerinde beş deneyde başarıyla test edildi. Çerçevenin tasarımı ve ilk sonuçları dergideki yeni bir makalede ayrıntılı olarak açıklanmıştır. Nükleer Füzyon.

Füzyon bir gün neredeyse sınırsız bir elektrik kaynağı olarak hizmet edebilir. Bilim adamları, Dünya’daki süreci mükemmelleştirmek için çeşitli yollar üzerinde çalışıyorlar; bunlara tokamak adı verilen ve genellikle maddenin dördüncü durumu olarak adlandırılan elektrik yüklü bir gaz olan plazmayı tutmak için güçlü manyetik alanlar kullanan cihazlar da dahil. Plazmayı sıcak, yoğun ve stabil tutmak, ısıtma sistemleri, mıknatıslar ve gaz enjektörleri de dahil olmak üzere tokamak üzerinde sürekli ayarlamalar yapılmasını gerektirir. Füzyon reaksiyonu, plazmadaki kararsızlıklar olarak bilinen ve milisaniyeler içinde büyüyen küçük bozukluklarla engellenebilir.

Simülasyonları hızlandırmak için yapay zeka ve plazma uzmanlığını birleştiriyor

Plazmayı da tahmin etmek zordur. Bir plazmanın davranışını simüle etmek için kullanılan karmaşık bilgisayar programlarının çalıştırılması günler veya aylar sürebilir. Bu yaklaşım, yalnızca birkaç dakika sürebilecek bir deney sırasında gerçek zamanlı olarak çalışamayacak kadar yavaştır.

Princeton Üniversitesi ve PPPL’nin ortak programı olan Plazma Fiziği Princeton Programında yüksek lisans öğrencisi olan eş-başkan yazar Hiro Farre Kaga, “Bu, bir yıl içinde yapılacak bir sonraki deneye hazırlanmak için harika, ancak kontrol için o anda karar veren modellere ihtiyacımız var” dedi.

“Makine öğrenimi modelleri plazma davranışını çok iyi tanımlayabilir ve daha da önemlisi bunlar, plazmayı milisaniyelik zaman ölçeklerinde modellememizin tek yoludur. Kontrolün anahtarı bu modellerin hızıdır.”

Füzyon enerjisi araştırmalarını ileriye taşımak için birçok modelle çalışan tek bir yapay zeka çerçevesi

Makine öğrenimi, füzyon plazmalarını evcilleştirme konusunda şimdiden büyük umut vaat ediyor. Ancak bunu bir füzyon plazmasını kontrol etmek için kullanmaya yönelik girişimlerin çoğu, modellerin kolayca birleştirilebilmesini sağlayacak bir dizi kapsayıcı tasarım ilkesi olmaksızın sıfırdan inşa edildi. Füzyon sisteminin farklı yönlerini izlemek ve kontrol etmek için birden fazla modele ihtiyaç vardır.

Princeton Üniversitesi Makine ve Havacılık ve Uzay Mühendisliği Bölümü yüksek lisans öğrencisi ve makalenin ortak yazarı Andy Rothstein, “Bu çerçeveyi, modellerin iletişim kurabilmesi, bu modellerden elde edilen çıktıların paylaşılabilmesi ve tek bir entegre sistemde heyecan verici fizik yapabilmemiz için geliştirdik” dedi.

Sonuç, hiçbir insanın ulaşamayacağı bir hızda çalışan, birden fazla makine öğrenimi modelini içeren bir kontrol döngüsüdür.

Rothstein, “Gerçekten odaklanmış bir insan operatör birkaç saniye içinde yanıt verebilir” dedi.

“PACMAN çerçevesinin tamamı tipik olarak yaklaşık 20 milisaniyede çalışıyor ve bir kere bile çalışmıyor. Tekrar tekrar ve tekrar çalışıyor. Plazmada meydana gelen küçük şeyleri görebiliyor ve bir insanın asla yapamayacağı şekilde uyum sağlayabiliyor.”

PACMAN dört istasyonlu bir montaj hattı gibi çalışıyor. İlk olarak sıcaklıklar, yoğunluklar ve manyetik sinyaller de dahil olmak üzere tokamak’ın tüm gerçek zamanlı ölçümlerini toplar. Daha sonra bu değerlerde hatalar olup olmadığını kontrol eder ve bunları tek bir pakete koyar. Daha sonra yapay zeka modelleri ihtiyaç duydukları ölçümleri okuyor ve plazmanın ne yaptığını veya yapmak üzere olduğunu tahmin ediyor. Daha sonra kontrolörler bu tahminleri ısıtma ışınını açmak gibi komutları hesaplamak için kullanır.

Son olarak, bir çıkış aşaması kontrolörler arasındaki çatışmaları çözer, katı donanım güvenliği sınırlarını uygular ve komutları tokamak’a gönderir. Her model ve kontrolör birbirinden bağımsız çalıştığı için araştırmacılar diğerlerini rahatsız etmeden yenilerini ekleyebiliyor.

Gerçek bir füzyon enerjisi deneyinde bunu kanıtlamak

Ekip bu esnekliği DOE’nin San Diego’daki DIII-D Ulusal Füzyon Tesisi tokamak’ında yapılan beş deneyde gösterdi. Deneyler sırasında PACMAN:

• Takviyeli öğrenme olarak bilinen deneme-yanılma yaklaşımıyla eğitilen bir yapay zeka modelinin ısıtma sistemlerinin tam kontrolünü ele almasına izin verildi.
• Plazmanın kenarından ani enerji patlamaları bekleniyordu.
• Hızlı parçacıklar tarafından yönlendirilen plazmadaki dalgalar tespit edildi ve kontrol edildi.
• Plazmanın yoğunluğunu ve dönüşünü araştırmacıların belirlediği hedeflere göre ayarladı.
• Yırtılma modu adı verilen bir kararsızlık öngörülmüştü ve bu durum gerçekleşmeden önce durdurulmuştu.

Geleneksel kontrolörler yırtılma modunu ancak başladıktan sonra algılayabilir. Farre Kaga, “Sonra onu bastırmaya çalışıyorlar ve bu da çok fazla performans düşüşüne neden olabiliyor” dedi. “Sunduğumuz deneylerden birinde, bir makine öğrenimi modeli yırtılma modunu yaklaşık 200 milisaniye önceden tahmin ediyor, böylece plazma ilk etapta bundan kaçınmak için değiştirilebilir.”

Çerçeve aynı zamanda araştırmacıların jirotron aynalarını yeniden hedefleyerek ve güçlerini gerçek zamanlı olarak ayarlayarak önceden belirledikleri karmaşık hedeflere ulaşmak için DIII-D’nin altı jirotronunun (plazmayı güçlü mikrodalga ışınlarıyla ısıtan sistemler) tamamını aynı anda yönlendirdi. Farre Kaga, “Daha önce bu optimal çözümü bulacak bir algoritma yoktu” dedi. “Şut bittiğinde ve verilere baktığımızda, tam olarak umduğumuz şeyi yaptığını, altısını da hedefe ulaşmak için aynı anda en uygun şekilde hareket ettirdiğini gördük.”

İnsanların sorumlu olduğu daha hızlı yineleme

Rothstein için en büyük sürpriz, çerçevenin değerini bu kadar çabuk göstermesiydi. PACMAN’i oluşturmak ve ilk modeli kurmak aylar sürdü. “Sonra ikinci modeli uygulamaya gittik ve bu birkaç gün sürdü. Testler daha kolaydı ve çok daha az hata vardı” dedi. “DIII-D her şeyden önce bir araştırma makinesidir ve bazen işler beklediğiniz gibi gitmez. Bir modeli bir hafta içinde yerleştirebilirseniz, onu yeniden eğitebilir ve bir sonraki hafta yeni bir model koyabilirsiniz. Daha önce mümkün olmayan yinelemelere olanak tanır.”

Araştırmacılar PACMAN’in insanları süreçten çıkarmadığını vurguluyor. Çerçeve, yapay zeka modelinin önerdiğine rağmen güvenlik sınırlarını zorluyor ve fizikçiler, denetleyicileri bir sonrakine göre ayarlamak için her deneyi gözden geçiriyor. Farre Kaga, “Kontrolörleriniz ne kadar karmaşık olursa olsun, sonuçta bu kontrolün parametrelerini belirleyen bir insan operatördür” dedi.

Çerçeve modüler olduğu için yaratıcıları, yaklaşımın DIII-D’nin çok ötesine geçerek, henüz tasarlanmamış makineler de dahil olmak üzere farklı boyut, şekil ve enstrümanlara sahip tokamaklara gidebileceğine inanıyor.

Andlinger Enerji ve Çevre Merkezi ve PPPL ile ortaklaşa görevlendirilen Princeton Üniversitesi makine ve havacılık mühendisliği doçenti Egemen Kolemen, “PACMAN, yapı taşı yapay zeka algoritmalarının bir araya getirilebildiği esnek bir kurulum kullanıyor. Sistemin geri kalanına dokunmadan yeni bir tane ekleyebilir, birini değiştirebilir veya birkaçını aynı anda çalıştırabilirsiniz” dedi.

“Bu modülerlik, AI plazma kontrolünü bir dizi tek seferlik gösteriden tüm füzyon topluluğunun üzerine inşa edebileceği altyapıya dönüştüren şeydir.”