به گزارش مجله خبری نگار،نیروی همجوشی هسته ای، خورشید را نیرو میدهد و در نتیجه حیات روی زمین را ممکن میکند.
درون توکاماک (tokamak)، محفظهای به شکل دونات که برای رقم زدن جادوی همجوشی هستهای طراحی شده است، اتمهای هیدروژن با نیروی عظیمی به یکدیگر برخورد میکنند و پلاسمایی فوق العاده داغ و چرخان را میسازند که حتی داغتر از خورشید است.
همجوشی هستهای پتانسیل تبدیل شدن به یک منبع انرژی پایدار را دارد، زیرا از ایزوتوپهای هیدروژن استفاده میکند که فراوان هستند و میتوانند از آب و منابع دیگر استخراج شوند.
دانشمندان به تازگی یک راه حل مبتنی بر هوش مصنوعی برای پیش بینی بی ثباتی و ناپایداری احتمالی پلاسما به نام «ناپایداری حالت گسستگی» ابداع کرده اند.
اینها در اثر برهمکنش جریان و گرادیان فشار در پلاسما ایجاد میشوند و منجر به جزایر مغناطیسی میشوند که محصور شدن را مختل میکنند.
در حالی که همجوشی هستهای نویدبخش است، چالشهای فنی و مهندسی قابل توجهی برای آن باقی مانده است که اگر میخواهیم از قدرت همجوشی در مقیاس تجاری استفاده کنیم، باید بر آنها غلبه کرد.
یکی از این چالشها این است که پلاسمای داخل یک رآکتور همجوشی میتواند ثبات خود را از دست بدهد. بی ثباتی پلاسما میتواند منجر به اختلالاتی شود که رویدادهای ناگهانی و در مقیاس بزرگ هستند که میتوانند باعث از بین رفتن محصور شدن و خاتمه فرآیند همجوشی شوند.
جائه مین سئو نویسنده ارشد این مطالعه گفت: ناپایداری حالت گسستگی یکی از دلایل اصلی اختلال پلاسما است و زمانی که ما سعی میکنیم واکنشهای همجوشی را با قدرتهای بالایی که برای تولید انرژی کافی لازم است، انجام دهیم، برجستهتر خواهد شد. آنها چالش مهمی برای ما هستند که باید آنها را حل کنیم.
دانشمندان در مرکز ملی فیوژن DIII- D در سن دیگو آمریکا نشان دادند که مدل هوش مصنوعی آنها که با استفاده از دادههای قدیمی آموزش داده شده است، میتواند ناپایداریهای حالت گسستگی را تا ۳۰۰ میلی ثانیه قبل از وقوع پیش بینی کند.
با اینکه این زمان بسیار کمی برای هر گونه اقدامی است، ولی برای هوش مصنوعی (Artificial Intelligence) کافی است تا نحوه عملکرد رآکتور را تنظیم کند.
مطالعه تجربی پژوهشگران پتانسیل کمک به جلوگیری از آسیب به خطوط میدان مغناطیسی پلاسما را دارد که میتواند واکنش را متوقف کند.
سئو ادامه داد: مطالعات قبلی عموماً بر سرکوب یا کاهش اثرات این ناپایداریهای گسستگی پس از وقوع در پلاسما متمرکز شده اند، اما رویکرد ما به ما این امکان را میدهد که این بی ثباتیها را پیش از ظهور پیش بینی و از آنها اجتناب کنیم.
پژوهشگران میگویند ایجاد یک ابزار هوش مصنوعی به اندازه آموزش پرواز با هواپیما به یک شخص، دشوار بود. آنها با استفاده از دادههای گذشته توکاماک، یک شبکه عصبی عمیق برای پیش بینی ناپایداریهای آینده ساختند و یک الگوریتم یادگیری تقویتی را برای کنترل پلاسما آموزش دادند.
هوش مصنوعی از طریق آزمایشهای شبیه سازی شده، استراتژیهای بهینه را برای حفظ قدرت بالا و در عین حال اجتناب از بی ثباتی آموخت. پس از اصلاح، کنترل کننده هوش مصنوعی با تنظیم پارامترهای توکاماک در لحظه، با موفقیت از ناپایداریها در طول یک آزمایش همجوشی واقعی جلوگیری کرد.
این رویکرد فعال در تضاد با روشهای فعلی است که به ناپایداریها در زمان زمان وقوع واکنش نشان میدهند.
سانگ کیون کیم یکی از نویسندگان این مطالعه گفت:توانایی پیش بینی بی ثباتیها از قبل، میتواند اجرای این واکنشها را نسبت به رویکردهای فعلی که منفعلتر هستند، آسانتر کند. ما دیگر لازم نیست منتظر بمانیم تا ناپایداریها رخ دهند و سپس اقدامات اصلاحی سریع قبل از مختل شدن پلاسما را انجام دهیم.
سئو نیز افزود: ما شواهدی قوی داریم که نشان میدهد کنترل کننده در DIII- D کاملاً خوب کار میکند، اما به دادههای بیشتری نیاز داریم تا نشان دهیم که میتواند در موقعیتهای مختلف کار کند. ما میخواهیم به سمت چیزی جهانیتر برویم.