در برخی سامانههای همجوشی، ذراتی با دمایی فراتر از مرکز خورشید ممکن است تنها ظرف چند هزارم ثانیه ناپایدار شوند؛ زمانی که برای واکنش نشان دادن یک اپراتور انسانی بسیار کوتاه است. اکنون پژوهشگران آزمایشگاه فیزیک پلاسمای پرینستون (PPPL) وابسته به وزارت انرژی ایالات متحده (DOE) و دانشگاه پرینستون، چارچوب نرمافزاری جدیدی را توسعه دادهاند که از هوش مصنوعی (AI) برای اتخاذ چنین تصمیمات سریعی بهره میبرد و همزمان کنترلهای ایمنی سختگیرانهای را اعمال کرده و تعیین اهداف سامانه را بر عهده انسانها میگذارد.
این چارچوب «پکمن» (PACMAN؛ مخفف ابداعی عبارت Prediction And Control using MAchiNe learning به معنای پیشبینی و کنترل با یادگیری ماشین) نام دارد. پژوهشگران آن را با موفقیت در پنج آزمایش مجزا بر روی یک سامانه واقعی همجوشی آزمایش کردند. طراحی و نتایج اولیه این دستاورد در مقالهای جدید در نشریه Nuclear Fusion تشریح شده است.
چالش میلیثانیهای همجوشی در دست هوش مصنوعی
همجوشی هستهای پتانسیل تأمین منبعی عملاً بیپایان از برق را دارد. محققان در حال بررسی چندین رویکرد برای عملی ساختن همجوشی بر روی زمین هستند، از جمله استفاده از دستگاههایی موسوم به توکامک (tokamak). این دستگاهها برای محصورسازی پلاسما—گازی باردار الکتریکی که اغلب حالت چهارم ماده نامیده میشود—به میدانهای مغناطیسی قدرتمند متکی هستند.
برای تداوم موفقیتآمیز همجوشی، پلاسما باید داغ، متراکم و پایدار بماند. این امر مستلزم تنظیمات مکرر در سامانههایی نظیر تجهیزات گرمایشی توکامک، آهنرباها و تزریقکنندههای گاز است. حتی آشفتگیهای نسبتاً کوچک در پلاسما، موسوم به ناپایداریها، میتوانند ظرف چند میلیثانیه گسترش یافته و واکنش همجوشی را مختل کنند.
پیشبینی رفتار پلاسما چالش بزرگ دیگری است. شبیهسازیهای پیشرفته کامپیوتری ممکن است روزها یا حتی ماهها به طول بینجامند. گرچه این ابزارها برای برنامهریزی آزمایشهای آینده ارزشمندند، اما برای هدایت بلادرنگ آزمایشی که کل فرایند آن ممکن است فقط چند دقیقه طول بکشد، بسیار کند هستند.
هیرو فار فارِ کاگا (Hiro Farre Kaga)، یکی از نویسندگان اصلی مقاله و دانشجوی تحصیلات تکمیلی برنامه مشترک دانشگاه پرینستون و PPPL در زمینه فیزیک پلاسما، در این باره اظهار داشت: «این شبیهسازیها برای آمادهسازی آزمایشی که قرار است سال آینده انجام شود عالی هستند، اما برای کنترل فرایند به مدلهایی نیاز داریم که در لحظه تصمیمگیری کنند. مدلهای یادگیری ماشین میتوانند رفتار پلاسما را به خوبی توصیف کنند و مهمتر اینکه، آنها تنها ابزار ما برای مدلسازی پلاسما در مقیاس میلیثانیهای هستند. سرعت این مدلها کلید اصلی در مهار پلاسماست.»
گردهمآوری مدلهای متعدد هوش مصنوعی در یک سامانه همجوشی
یادگیری ماشین پیش از این توانایی چشمگیری را در کنترل پلاسمای همجوشی نشان داده است. با این حال، بسیاری از تلاشهای پیشین بهصورت مجزا و بدون چارچوبی مشترک توسعه یافته بودند که امکان همکاری آسان میان مدلهای مختلف را فراهم کند. سامانههای همجوشی به مدلهای متعددی نیاز دارند، چرا که بخشهای مختلف دستگاه و پلاسما باید بهطور همزمان پایش و کنترل شوند.
پکمن (PACMAN) با هدف ارائه این ساختار مشترک طراحی شده است.
اندی روتستین (Andy Rothstein)، دانشجوی تحصیلات تکمیلی دپارتمان مهندسی مکانیک و هوافضای دانشگاه پرینستون و یکی از نویسندگان اصلی مقاله، گفت: «ما این چارچوب را به گونهای توسعه دادیم که مدلها بتوانند با یکدیگر ارتباط برقرار کنند، خروجیهای آنها به اشتراک گذاشته شود و بتوانیم پدیدههای فیزیکی هیجانانگیز را در یک سامانه یکپارچه اجرا کنیم.»
این سامانه چندین مدل یادگیری ماشین را در یک حلقه کنترلی تکرارشونده ترکیب میکند که عملکردی بسیار سریعتر از توانایی انسان دارد.
روتستین افزود: «یک اپراتور انسانی بسیار متمرکز میتواند در مقیاس ثانیه واکنش نشان دهد. در حالی که کل چارچوب پکمن معمولاً در حدود ۲۰ میلیثانیه اجرا میشود و این فرایند فقط یک بار رخ نمیدهد، بلکه بارها و بارها تکرار میشود. این سیستم میتواند رویدادهای کوچک در پلاسما را رصد کند و به گونهای تنظیمات را اعمال نماید که انسان هرگز قادر به انجام آن نخواهد بود.»
پکمن چگونه یک توکامک را کنترل میکند؟
پکمن بسیار شبیه به یک خط مونتاژ با چهار ایستگاه عمل میکند. این سامانه کار خود را با جمعآوری اندازهگیریهای زنده از توکامک، شامل دما، چگالی و سیگنالهای مغناطیسی، آغاز میکند. سپس صحت این دادهها را بررسی کرده و آنها را در یک بسته واحد ترکیب مینماید.
سپس مدلهای هوش مصنوعی اندازهگیریهای مورد نیاز خود را انتخاب کرده و از آنها برای برآورد وضعیت کنونی پلاسما یا پیشبینی رفتار بعدی آن استفاده میکنند. کنترلکنندهها این پیشبینیها را دریافت کرده و اقدامات لازم، مانند افزایش توان باریکه گرمایشی را تعیین مینمایند.
در مرحله نهایی، پکمن هرگونه تضاد میان دستورات کنترلکنندهها را برطرف میسازد، محدودیتهای ایمنی سختگیرانه سختافزار را اعمال میکند و دستورات تأییدشده را به توکامک میفرستد. از آنجا که مدلها و کنترلکنندهها بهصورت مستقل عمل میکنند، دانشمندان میتوانند اجزای جدیدی را بدون ایجاد اختلال در سایر بخشهای چارچوب اضافه کنند.
آزمایش هوش مصنوعی بر روی یک دستگاه واقعی همجوشی
پژوهشگران انعطافپذیری پکمن را در پنج آزمایش با استفاده از توکامک تأسیسات ملی همجوشی DIII-D وزارت انرژی در سندیگو به نمایش گذاشتند.
در طول این آزمایشها، پکمن موفق شد:
- به یک مدل هوش مصنوعی آموزشدیده از طریق رویکرد آزمون و خطا موسوم به یادگیری تقویتی (reinforcement learning) اجازه دهد تا کنترل کامل سامانههای گرمایشی را به دست گیرد.
- جهشهای ناگهانی انرژی از لبههای پلاسما را پیشبینی کند.
- امواج ایجادشده توسط ذرات سریع در پلاسما را شناسایی و کنترل کند.
- چگالی و چرخش پلاسما را بر اساس اهداف تعیینشده توسط پژوهشگران تنظیم کند.
- ناپایداری موسوم به حالت پارگی (tearing mode) را پیشبینی کرده و پیش از وقوع، جلوی آن را بگیرد.
آزمایش حالت پارگی یکی از بارزترین مزایای بالقوه این سامانه را به نمایش گذاشت. کنترلکنندههای سنتی قادر به شناسایی این ناپایداری نیستند مگر آنکه قبلاً آغاز شده باشد.
فار فارِ کاگا توضیح داد: «سپس آنها تلاش میکنند آن را سرکوب کنند که این امر میتواند با افت شدید عملکرد همراه باشد. در یکی از آزمایشهایی که ارائه دادهایم، یک مدل یادگیری ماشین حالت پارگی را حدود ۲۰۰ میلیثانیه زودتر پیشبینی میکند، بنابراین میتوان پلاسما را بهگونهای تغییر داد که از وقوع آن جلوگیری شود.»
پکمن همچنین توانست تمامی شش ژیروترون (gyrotron؛ سامانههایی که پلاسما را با باریکههای قدرتمند مایکروویو گرم میکنند) توکامک DIII-D را بهطور همزمان هماهنگ کند. به منظور دستیابی به اهداف پیچیدهای که پیشتر توسط محققان تعیین شده بود، این چارچوب ضمن تنظیم توان ژیروترونها، موقعیت آینههای آنها را نیز بهصورت بلادرنگ تغییر داد.
فار فارِ کاگا گفت: «پیش از این هیچ الگوریتمی برای یافتن آن راهحل بهینه وجود نداشت. زمانی که شلیک پلاسما به پایان رسید و به دادهها نگاه کردیم، دیدیم که سامانه دقیقاً همانطور که امیدوار بودیم عمل کرده و هر شش دستگاه را بهطور همزمان و به شکلی بهینه برای رسیدن به هدف هدایت کرده است.»
تسریع آزمایشهای همجوشی همزمان با حفظ نظارت انسان
به گفته روتستین، یکی از غافلگیرکنندهترین نتایج این بود که پکمن سرعت افزودن مدلهای هوش مصنوعی بیشتر را چقدر افزایش داد. توسعه این چارچوب و نصب نخستین مدل بر روی آن ماهها کار برده بود.
او گفت: «اما وقتی به سراغ نصب مدل دوم رفتیم، کار تنها دو روز طول کشید. آزمایشها آسانتر بود و اشکالات بسیار کمتری وجود داشت. DIII-D در درجه اول یک دستگاه تحقیقاتی است و گاهی امور آنطور که انتظار دارید پیش نمیروند. اگر بتوانید یک مدل را در عرض یک هفته راهاندازی کنید، میتوانید هفته بعد آن را بازآموزی کرده و مدل جدیدی را جایگزین نمایید. این قابلیت امکان تکرار و بهینهسازی مداومی را فراهم میسازد که پیشتر ممکن نبود.»
پژوهشگران تأکید میکنند که هدف این چارچوب حذف انسان از آزمایشهای همجوشی نیست. پکمن بدون توجه به توصیههای مدل هوش مصنوعی، محدودیتهای ایمنی سختافزاری را اعمال میکند و فیزیکدانان پس از هر آزمایش نتایج را بررسی میکنند تا بتوانند پیش از آزمایش بعدی کنترلکنندهها را بهبود بخشند.
فار فارِ کاگا در این باره گفت: «فرقی نمیکند کنترلکنندههای شما چقدر پیشرفته باشند؛ در نهایت این اپراتور انسانی است که پارامترهای کنترل را تعیین میکند.»
پلتفرمی منعطف از هوش مصنوعی برای دستگاههای همجوشی آینده
ساختار ماژولار پکمن میتواند کاربرد آن را فراتر از DIII-D گسترش دهد. توسعهدهندگان آن بر این باورند که این چارچوب میتواند برای توکامکهایی با اشکال، ابعاد و تجهیزات مختلف، از جمله دستگاههای همجوشی که هنوز طراحی نشدهاند، تطبیق داده شود.
اگمن کولمن (Egemen Kolemen)، دانشیار مهندسی مکانیک و هوافضا در دانشگاه پرینستون با انتصاب مشترک در مرکز انرژی و محیط زیست آندلینگر و PPPL، اظهار داشت: «پکمن از ساختاری منعطف بهره میبرد که در آن الگوریتمهای هوش مصنوعی مانند بلوکهای ساختمانی کنار هم قرار میگیرند. شما میتوانید بدون دستکاری سایر بخشهای سامانه، الگوریتم جدیدی اضافه کنید، یکی را جایگزین کنید یا چندین الگوریتم را همزمان اجرا نمایید. این ماژولار بودن همان چیزی است که کنترل پلاسما با هوش مصنوعی را از یک سری نمایشهای مقطعی، به زیرساختی تبدیل میکند که کل جامعه علمی همجوشی میتواند بر پایه آن پیشرفت کند.»
از دیگر نویسندگان این مقاله میتوان به ریکاردو شوشا (Ricardo Shousha)، کیث اریکسون (Keith Erickson) و سانگکیون کیم (SangKyeun Kim) از PPPL، جلالالدین بات (Jalal-ud-din Butt)، پیتر اشتاینر (Peter Steiner) و آذرخش جلالوند (Azarakhsh Jalalvand) از دانشگاه پرینستون، و تاکوما واکاتسوکی (Takuma Wakatsuki) از مؤسسه ملی علوم و فناوری کوانتومی ژاپن اشاره کرد.
این پژوهش توسط دفتر علوم وزارت انرژی ایالات متحده با استفاده از تأسیسات ملی همجوشی DIII-D تحت جوایز DE-FC02-04ER54698، DE-SC0015480 و DE-AC02-09CH11466، و همچنین بورسیه پژوهشی تحصیلات تکمیلی بنیاد ملی علوم تحت گرنت DGE-2039656 حمایت مالی شده است.
مرجع نشریه:
- A. Rothstein, H.J. Farre-Kaga, J. Butt, R. Shousha, K. Erickson, T. Wakatsuki, P. Steiner, S.K. Kim, A. Jalalvand, E. Kolemen. Enabling integrated AI control on DIII-D: a control system design with state-of-the-art experiments. Nuclear Fusion, 2026; 66 (7): 076050 DOI: 10.1088/1741-4326/ae7f9d