به گزارش خبرگزاری ایمنا، پژوهشگران آزمایشگاه فیزیک پلاسمای پرینستون و دانشگاه پرینستون چارچوبی مبتنی بر یادگیری ماشین با نام PACMAN توسعه دادهاند که میتواند وضعیت پلاسما را در سامانههای همجوشی هستهای بهصورت لحظهای پایش و برای کنترل آن پیشنهاد ارائه کند.
همجوشی هستهای به دما و شرایط بسیار دقیقی نیاز دارد و کوچکترین تغییر در وضعیت پلاسما میتواند در مدت کوتاهی موجب ناپایداری شود. پلاسما گاز بسیار داغ و یونیزهشدهای است که در دستگاههایی مانند توکامک با استفاده از میدانهای مغناطیسی محصور میشود.
PACMAN اطلاعاتی همچون دما، چگالی و سیگنالهای مغناطیسی را دریافت میکند و مدلهای یادگیری ماشین با تحلیل این دادهها، وضعیت فعلی پلاسما و احتمال تغییرات آینده آن را پیشبینی میکنند، سپس سامانه کنترل بر اساس این پیشبینیها پیشنهادهایی ارائه میدهد و پس از اعمال محدودیتهای ایمنی، فرمان تأییدشده به دستگاه ارسال میشود.
پژوهشگران این چارچوب را در پنج آزمایش روی توکامک DIII-D در سندیگو آزمایش کردهاند و نتایج اولیه آن در نشریه Nuclear Fusion منتشر شده است. به گفته پژوهشگران، اجرای کل فرایند معمولاً حدود ۲۰ میلیثانیه زمان میبرد؛ سرعتی که امکان واکنش به تغییرات سریع پلاسما را فراهم میکند.
یکی از آزمایشها به پدیدهای موسوم به «tearing mode» مربوط بود؛ نوعی ناپایداری مغناطیسی که میتواند عملکرد فرایند همجوشی را مختل کند. مدل یادگیری ماشین در این آزمایش توانست وقوع این ناپایداری را حدود ۲۰۰ میلیثانیه زودتر پیشبینی کند و پژوهشگران با تغییر شرایط پلاسما از شکلگیری آن جلوگیری کردند.
PACMAN همچنین توانست عملکرد هر شش ژیروترون دستگاه DIII-D را بهطور همزمان تنظیم کند. ژیروترونها با تولید امواج مایکروویو، انرژی مورد نیاز برای گرمکردن پلاسما را تأمین میکنند.
پژوهشگران تأکید کردهاند که هدف این فناوری حذف انسان از فرایند کنترل نیست و اهداف و پارامترهای کنترلی همچنان توسط پژوهشگران تعیین میشود. همچنین محدودیتهای ایمنی سختافزاری مستقل از پیشنهادهای هوش مصنوعی اعمال میشوند.
با وجود نتایج امیدوارکننده، آزمایشهای PACMAN تاکنون به DIII-D محدود بوده است و برای بررسی قابلیت استفاده از آن در سایر دستگاههای همجوشی، آزمایشهای بیشتری لازم است.
نظر شما