DeepMind trainiert KI für die Steuerung der Kernfusion

Das Innere eines Tokamaks – eines donutförmigen Behälters, in dem eine Kernfusionsreaktion abläuft – ist ein Chaos der besonderen Art. Bei unvorstellbar hohen Temperaturen prallen Wasserstoffatome aufeinander und erzeugen ein wirbelndes Plasma, das heißer ist als die Oberfläche der Sonne. Um das Potenzial der Kernfusion zu erschließen, die seit Jahrzehnten als saubere Energiequelle der Zukunft gehandelt wird, müssen intelligente Wege gefunden werden, dieses Plasma zu kontrollieren und einzudämmen. Die wissenschaftlichen Grundlagen der Kernfusion scheinen heute solide, so dass es sich nur noch um eine technische Herausforderung handelt. „Wir müssen in der Lage sein, diese Materie so lange zu erhitzen und zusammenzuhalten, dass wir daraus Energie gewinnen können“, sagt Ambrogio Fasoli, Direktor des Swiss Plasma Center an der Eidgenössischen Technischen Hochschule Lausanne in der Schweiz.

Hier kommt DeepMind ins Spiel. Das von der Google-Mutter Alphabet unterstützte Unternehmen für künstliche Intelligenz hat sich bereits mit Videospielen und der Proteinfaltung beschäftigt und arbeitet in einem gemeinsamen Forschungsprojekt mit dem Swiss Plasma Center an der Entwicklung einer KI zur Steuerung einer Kernfusionsreaktion.

In Sternen, die ebenfalls durch Kernfusion angetrieben werden, reicht die Schwerkraft aus, um Wasserstoffatome zusammenzuziehen und ihre gegensätzlichen Ladungen zu überwinden. Auf der Erde verwenden die Wissenschaftler stattdessen starke Magnetspulen, um die Kernfusionsreaktion zu begrenzen, sie in die gewünschte Position zu bringen und zu formen, wie ein Töpfer, der den Ton auf einer Scheibe bearbeitet. Die Spulen müssen sorgfältig gesteuert werden, um zu verhindern, dass das Plasma die Gefäßwände berührt: Dies könnte die Wände beschädigen und die Fusionsreaktion verlangsamen. (Die Explosionsgefahr ist gering, da die Fusionsreaktion ohne magnetischen Einschluss nicht überleben kann.)

Ein Kernreaktor – mit 3D-gedrucktem Kern

Doch jedes Mal, wenn Forscher die Konfiguration des Plasmas ändern und verschiedene Formen ausprobieren wollen, die möglicherweise mehr Leistung oder ein saubereres Plasma liefern, ist ein enormer Aufwand an Technik und Design erforderlich. Herkömmliche Systeme sind computergesteuert und basieren auf Modellen und sorgfältigen Simulationen, aber sie sind, wie Fasoli sagt, „komplex und nicht immer optimal“.

DeepMind hat eine künstliche Intelligenz entwickelt, die das Plasma selbst steuern kann. In einem Artikel, der in der Fachzeitschrift Nature veröffentlicht wurde, beschreiben die Forschenden der beiden Gruppen, wie sie einem Deep Reinforcement Learning-System beigebracht haben, die 19 Magnetspulen des TCV zu steuern, des Tokamaks mit variabler Konfiguration am Swiss Plasma Center. „KI und insbesondere das maschinelle Lernen eignen sich besonders gut für die komplexen Probleme, die bei der Steuerung des Plasmas in einem Tokamak auftreten“, sagt Martin Riedmiller, Leiter des Steuerungsteams bei DeepMind.

Das neuronale Netz – eine Art KI, die die Architektur des menschlichen Gehirns nachbildet – wurde zunächst in einer Simulation trainiert. Zunächst beobachtete es, wie sich die Veränderung der Einstellungen an jeder der 19 Spulen auf die Form des Plasmas im Gefäß auswirkte. Dann wurden ihm verschiedene Formen vorgegeben, die er im Plasma nachzubilden versuchte. Dazu gehörten ein D-förmiger Querschnitt, wie er auch im ITER (früher Internationaler Thermonuklearer Versuchsreaktor) verwendet wird, dem großen experimentellen Tokamak, der derzeit in Frankreich gebaut wird, und eine Schneeflockenform, die dazu beitragen könnte, die starke Hitze der Reaktion gleichmäßiger im Gefäß zu verteilen.

Das neuronale Netz von DeepMind war in der Lage, das Plasma in einem Fusionsreaktor in verschiedene Formen zu bringen, die von Fusionsforschern untersucht wurden.

Die KI von DeepMind war in der Lage, selbstständig herauszufinden, wie diese Formen durch die richtige Manipulation der Magnetspulen erzeugt werden können – sowohl in der Simulation als auch, als die Wissenschaftler die gleichen Experimente im TCV-Tokamak in der Realität durchführten, um die Simulation zu validieren. Das ist ein wichtiger Schritt”, sagt Fasoli, der das Design zukünftiger Tokamaks beeinflussen oder sogar den Weg zu lebensfähigen Fusionsreaktoren beschleunigen könnte. „Das ist ein sehr positives Ergebnis“, sagt Yasmin Andrew, Fusionsexpertin am Imperial College London, die nicht an der Forschung beteiligt war. „Es wird interessant sein zu sehen, ob sich die Technologie auf einen größeren Tokamak übertragen lässt.

Die Fusion war eine besondere Herausforderung für die DeepMind-Wissenschaftler, da der Prozess sowohl komplex als auch kontinuierlich ist. Anders als bei einem rundenbasierten Spiel wie Go, das die Firma mit ihrer KI AlphaGo berühmt gemacht hat, ändert sich der Zustand eines Plasmas ständig. Erschwerend kommt hinzu, dass er nicht kontinuierlich gemessen werden kann. KI-Forscher nennen das ein „unbeobachtetes System“.

„Manchmal haben Algorithmen, die bei diskreten Problemen gut sind, Schwierigkeiten mit solchen kontinuierlichen Problemen“, sagt Jonas Buchli, ein Forscher bei DeepMind. „Das war ein wirklich großer Schritt für unseren Algorithmus, weil wir zeigen konnten, dass es machbar ist. Und wir glauben, dass dies definitiv ein sehr, sehr komplexes Problem ist, das gelöst werden muss. Es ist eine andere Art von Komplexität als die, mit der man es bei Spielen zu tun hat.

Es ist nicht das erste Mal, dass künstliche Intelligenz eingesetzt wird, um die Kernfusion zu steuern. Seit 2014 arbeitet Google mit dem kalifornischen Fusionsunternehmen TAE Technologies zusammen, um maschinelles Lernen auf eine andere Art von Fusionsreaktor anzuwenden – und so die Analyse experimenteller Daten zu beschleunigen. Beim Fusionsprojekt Joint European Torus (JET) im Vereinigten Königreich wurde maschinelle Intelligenz eingesetzt, um das Verhalten des Plasmas vorherzusagen. Selbst in der Fiktion taucht das Konzept auf: Im Film Spider-Man 2 aus dem Jahr 2004 entwickelt der Bösewicht Doc Ock ein KI-gesteuertes, gehirngesteuertes Exoskelett, um seinen experimentellen Fusionsreaktor zu steuern, was hervorragend funktioniert, bis die KI seinen Verstand übernimmt und beginnt, Menschen zu töten.

Alles in allem könnte sich die Zusammenarbeit mit DeepMind als äußerst wichtig erweisen, da die Fusionsreaktoren immer größer werden. Zwar haben die Physiker die Kontrolle des Plasmas in den kleineren Tokamaks mit konventionellen Methoden gut im Griff, aber die Herausforderung wird noch größer, wenn die Wissenschaftler versuchen, Versionen in Kraftwerksgröße zu realisieren. Langsam, aber stetig geht es voran. Letzte Woche gelang dem JET-Projekt ein Durchbruch, als es einen neuen Rekord für die aus einem Fusionsprojekt gewonnene Energiemenge aufstellte, und der Bau des französischen ITER-Projekts, einer internationalen Zusammenarbeit, die 2025 den weltweit größten experimentellen Fusionsreaktor in Betrieb nehmen soll, ist im Gange.

„Je komplexer und leistungsfähiger ein Tokamak ist, desto größer ist die Notwendigkeit, immer größere Mengen mit immer größerer Zuverlässigkeit und Genauigkeit zu steuern“, sagt Dmitri Orlov, außerordentlicher Wissenschaftler am Zentrum für Energieforschung an der Universität von Kalifornien in San Diego. Ein KI-gesteuerter Tokamak könnte so optimiert werden, dass der Wärmeübergang von der Reaktion zu den Gefäßwänden kontrolliert und schädliche „Plasmainstabilitäten“ vermieden werden. Die Reaktoren selbst könnten so umgestaltet werden, dass sie die Vorteile einer strengeren Kontrolle durch Reinforcement Learning nutzen.

Letztlich, so Fasoli, könnte die Zusammenarbeit mit DeepMind den Forschern ermöglichen, die Grenzen zu verschieben und den langen Weg zur Fusionsenergie zu beschleunigen. „KI würde es uns ermöglichen, Dinge zu erforschen, die wir sonst nicht erforschen würden, weil wir mit dieser Art von Kontrollsystem Risiken eingehen können, die wir sonst nicht wagen würden“, sagt er. “Wenn wir sicher sein können, dass wir ein Kontrollsystem haben, das uns nahe an die Grenze bringt, aber nicht darüber hinaus, können wir tatsächlich Möglichkeiten erforschen, die wir sonst nicht hätten.