เทคโนโลยี AI เพื่อการคาดการณ์และควบคุมพฤติกรรมพลาสมานิวเคลียร์ฟิวชันแบบเรียลไทม์

 (control.princeton.edu)
1 คะแนน โดย GN⁺ 2024-11-09 | 1 ความคิดเห็น | แชร์ทาง WhatsApp

การใช้ AI เพื่อคาดการณ์และควบคุมพฤติกรรมพลาสมานิวเคลียร์ฟิวชันแบบเรียลไทม์

  • ซูเปอร์รีโซลูชันแบบมัลติโหมด: ระบบเชิงซ้อนแบบไม่เชิงเส้นที่ถูกครอบงำด้วยสเกลทางฟิสิกส์หลายมิติทั้งเชิงพื้นที่และเวลา ไม่สามารถทำความเข้าใจได้อย่างสมบูรณ์ด้วยการวินิจฉัยเพียงอย่างเดียว เมื่อรวมการวินิจฉัยหลายแบบเข้าด้วยกัน จะเกิดการฉายภาพที่ไม่สมบูรณ์ของฟิสิกส์ของระบบ จึงสามารถอุดช่องว่างนี้ได้ด้วยการระบุความสัมพันธ์ข้ามกันที่ซ่อนอยู่ เพื่อการนี้จึงมีการนำเสนอวิธีวิทยาแมชชีนเลิร์นนิงแบบใหม่ ซึ่งช่วยจัดการกับความไม่เสถียรของพลาสมา เช่น edge localized modes (ELM)

  • การควบคุมโปรไฟล์แบบ RT ด้วยแมชชีนเลิร์นนิง: ในการควบคุมพลาสมาในโทคามัก มีการใช้ "แอคชูเอเตอร์" หลากหลายชนิด การควบคุมเชิงพยากรณ์ของแบบจำลองสามารถเพิ่มอัตราความสำเร็จของการทดลองทางฟิสิกส์และช่วยประหยัดเวลาได้ เนื่องจากแบบจำลองฟิสิกส์แบบเรียลไทม์ไม่ได้แม่นยำเสมอไป จึงมีการพัฒนาโมเดลแมชชีนเลิร์นนิงเพื่อสร้างการคาดการณ์ภายใน 100 ไมโครวินาที โดยใช้เฉพาะการวินิจฉัยแบบเรียลไทม์

การติดตามพฤติกรรมของพลาสมาด้วยการวินิจฉัยความละเอียดสูง

  • การตรวจจับและจำแนกความไม่เสถียร: มีการดำเนินงานวิจัยเพื่อตรวจจับและจำแนกความไม่เสถียรในแกนพลาสมาโดยอิงจากสัญญาณการปล่อยอิเล็กตรอนไซโคลตรอน และได้แสดงให้เห็นว่าโมเดลแมชชีนเลิร์นนิง เช่น Reservoir Computing Networks มีประสิทธิภาพในการประมวลผลข้อมูลอนุกรมเวลาที่เป็นข้อมูลเวลา

  • การยกระดับความแม่นยำและขอบเขตของข้อมูลวินิจฉัย: ความแม่นยำและขอบเขตของข้อมูลวินิจฉัยมีความสำคัญต่อการทำความเข้าใจสมรรถนะที่เหมาะสมที่สุดของอุปกรณ์วิจัยนิวเคลียร์ฟิวชันและเตาปฏิกรณ์ ด้วยแนวทางที่อิงแมชชีนเลิร์นนิง จึงสามารถสร้างสัญญาณวินิจฉัยขึ้นใหม่และปรับปรุงการแสดงภาพของสัญญาณได้

การตรวจสอบไขว้และการทวนสอบฐานข้อมูลขนาดใหญ่ของแบบจำลองการลำเลียงในโทคามัก

  • การเพิ่มความน่าเชื่อถือของการพยากรณ์การลำเลียงในโทคามัก: มีการใช้การคายประจุ DIII-D เพื่อให้ได้ความมีนัยสำคัญทางสถิติและเพิ่มความน่าเชื่อถือของแบบจำลองการพยากรณ์ ผลการทวนสอบ 1D transport solvers อย่าง ASTRA และ TRANSP แสดงความแม่นยำสูงในการคาดการณ์พลังงานสะสม แต่ในการคาดการณ์โปรไฟล์อุณหภูมิของพลาสมา กลับไม่มีข้อได้เปรียบทางสถิติเมื่อเทียบกับแบบจำลองเชิงประสบการณ์อย่างง่าย

การแยกรังสีของไดเวอร์เตอร์อย่างเสถียรผ่านพร็อกซีด้านหน้าของการปล่อย Carbon-III แบบเรียลไทม์

  • การแยกไดเวอร์เตอร์อย่างเสถียร: ช่วยให้โทคามักสามารถรักษาการกักเก็บที่ดีไว้ได้ พร้อมกับป้องกันความเสียหายของแผ่นไดเวอร์เตอร์จากฟลักซ์ความร้อนที่มากเกินไป โดยใช้อัลกอริทึมแมชชีนเลิร์นนิงเพื่อค้นหาค่าการแยกได้โดยตรงจากทุกตำแหน่งภายในโทคามัก และสามารถปรับสัญญาณแอคชูเอชันได้เมื่อจำเป็น

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2024-11-09
ความคิดเห็นจาก Hacker News

  • สำหรับข้อมูลเพิ่มเติม https://www.ri.cmu.edu/ai-meets-fusion-cmu-princeton-join-fo...ก็น่าอ่านเช่นกัน
    เดิมเป็นลิงก์ที่ส่งเข้ามา แต่ถูกเปลี่ยนผ่าน https://news.ycombinator.com/item?id=42077657

  • วันนี้ได้รู้ว่า: นี่ไม่ใช่แค่ การเอาคำฮิตมาผสมกัน เฉย ๆ
    https://en.wikipedia.org/wiki/Fusion_power#Machine_learning

    • อาจารย์ที่ปรึกษาของผมก็เคยทำโปรเจกต์แมชชีนเลิร์นนิงเพื่อ ประเมินความหนาแน่นและอุณหภูมิของอิเล็กตรอน ภายในโทคาแมค: https://www.cs.wm.edu/~ppeers/showPublication.php?id=Ozturk:...
      ในเชิงเทคนิคก็ถือเป็น “AI ในฟิวชัน” แต่คงมองว่าเป็นความก้าวหน้าทะลุทะลวงได้ยาก แทบทุกกรณีผลของ AI เป็นเรื่องรอบนอก และแม้จะไม่ใช่ศูนย์สนิท แต่ก็ห่างไกลจากการประชาสัมพันธ์ที่เกินจริง
    • ตอนทำงานด้าน กริดคอมพิวติง เมื่อเกือบ 20 ปีก่อน ก็มีการรันการทดลองฟิวชัน สตรีมข้อมูลไปยังกริดแบบเรียลไทม์เพื่อวิเคราะห์อย่างรวดเร็ว แล้วคำนวณพารามิเตอร์ใหม่สำหรับการรันครั้งถัดไปอยู่แล้ว
      ตอนนั้นน่าจะมีช่วงหยุดพักราว 20 นาที สมัยนั้นไม่ได้เรียกว่าแมชชีนเลิร์นนิง และแน่นอนว่าไม่ใช่ดีปเลิร์นนิงแบบปัจจุบัน
    • น่าสนใจ ทำให้นึกถึงเฮดเซ็ต AR รุ่นใหม่อย่าง Orion ที่ทำให้สิ่งที่ดูเหมือนเป็นไปไม่ได้เกิดขึ้นได้ เพียงแค่วางเลเยอร์ที่ได้มาจากโครงข่ายประสาทเทียมไว้บนตัวควบคุมอุปกรณ์บางส่วน
      สงสัยเหมือนกันว่าปัญหาอีกมากแค่ไหนจะเปลี่ยนไปอย่างสิ้นเชิงเมื่อเจอเทคนิค brute force ที่สุกงอมแล้ว
    • ถ้ามองชีวิตว่าเป็น ปฏิกิริยาเคมีที่ซับซ้อน ซึ่งพยายามรักษาตัวเองให้ดำรงอยู่ ก็น่าสนใจทีเดียว
    • AI ไม่ใช่คำฮิต ลองไปชนะ โกะ โดยไม่ใช้แมชชีนเลิร์นนิงดูสิ
      ถ้ามองข้ามสำนวนแบบองค์กรไป ก็จะเห็นของเจ๋ง ๆ มากมายที่แทบจะเพิ่งเป็นไปได้ด้วยโครงข่ายประสาท

  • ในวงการฟิวชันมี งานวิจัย AI อยู่ค่อนข้างมาก ในฟิวชันแบบกักด้วยแรงเฉื่อย ซึ่งเป็นคู่แข่งกับฟิวชันแบบกักด้วยสนามแม่เหล็กอย่างโทคาแมค National Ignition Facility(NIF) ก็ใช้ AI ในการทดลองที่ไปถึง “จุดติดไฟ”
    แล็บของเราร่วมมือกับนักวิจัยจาก Laboratory for Laser Energetics เพื่อพยายามปรับปรุงฟิวชันแบบกักด้วยแรงเฉื่อย(ICF) ด้วย AI ไม่นานมานี้เราเพิ่งตีพิมพ์บทความ [1] ที่ใช้ Kolmogorov-Arnold Networks(KANs) ทำนายผลการทดลอง ICF ปัจจุบันซิมูเลเตอร์ฟิสิกส์ทั้งหลายสร้างบนโค้ด Fortran เก่า ๆ และทำงานช้า อีกทั้งมีความคลาดเคลื่อนสูงระหว่างการทำนายกับการยิงเลเซอร์จริง จึงมีเป้าหมายอีกอย่างคือสร้างตัวทำนายที่ดีกว่าด้วยโครงข่ายประสาท เพราะการวนซ้ำอย่างรวดเร็วด้วยข้อมูลจริงทำได้ยาก และชุดข้อมูลช็อต ICF ก็มีเพียงประมาณ 300 รายการเท่านั้น
    [1] https://arxiv.org/abs/2409.08832

    • เป็นกระแสจากฝั่งวิทยาการคอมพิวเตอร์อีกแล้วว่า “โค้ด Fortran เก่า ๆ มันแย่” ความคลาดเคลื่อนสูง ระหว่างการทำนายของโค้ดกับช็อตเลเซอร์เกิดจาก LPI มีสัญญาณรบกวนโดยธรรมชาติมาก และแทบเป็นไปไม่ได้ที่จะควบคุมเงื่อนไขทั้งหมดอย่างสมบูรณ์
      ต่อให้รันซิมูเลชันราคาแพงเป็นวัน ๆ ถึงหลายสัปดาห์ ในการทดลองจริงแค่โฟกัสคลาดไป 1 ไมครอนก็อาจเปลี่ยนผลได้ระดับหนึ่งหลัก “โค้ด Fortran เก่า ๆ” เองไม่ใช่ปัญหา และข้างในก็มีฟิสิกส์ที่ถูกต้องอยู่ ปัญหาคือควบคุมเงื่อนไขตั้งต้นไม่ได้ การจำลองระบบแบบนี้จึงยาก
      โค้ดไม่ใช่เวทมนตร์ แต่เป็นโค้ดฟิสิกส์ และโดยทั่วไปคือการเข้ารหัสฟิสิกส์ที่เกี่ยวข้องกับการทดลองตามที่เราเข้าใจไว้ ดังนั้นมันก็คล้ายกับการบอกว่าโมเดลฟิสิกส์ผิด ซึ่งมีมาตรฐานพิสูจน์สูงกว่ามากจนแทบต้องลบล้างฟิสิกส์พลาสมาตลอดเกือบ 100 ปี เราไม่ได้ปล่อยบอลลูนตรวจอากาศไปทั่วโลกได้เหมือนการพยากรณ์อากาศ และไม่สามารถตรวจวัดทุกไมครอนของเป้าหมาย รวมถึงอุณหภูมิและความหนาแน่นของพลาสมาได้ตลอดเวลา
    • ระหว่างโค้ด Fortran เก่า ๆ กับ AI ยังมีช่องว่างค่อนข้างกว้างไม่ใช่หรือ?
      ถ้าเขียนอัลกอริทึมเดิมใหม่ด้วย C แล้วใช้เทคนิคสมัยใหม่ล่ะ? อย่าง มัลติเธรดดิ้ง หรือการคำนวณบน GPU ถ้ามันมีคุณค่าก็น่าจะทำได้ และคงไม่ใช้เวลานานขนาดนั้น
    • ผมสงสัยส่วนที่บอกว่า “เป็นโค้ด Fortran เก่า ๆ และช้า อีกทั้งมีความคลาดเคลื่อนในการทำนายสูง”
      อยากรู้ว่ามีแหล่งอ้างอิงหรือเอกสารออนไลน์ที่อธิบาย API, ซอฟต์แวร์, ซอร์สโค้ด ที่เกี่ยวข้องกับโปรเจกต์ในสาขานี้ไหม

  • ราว 20 ปีก่อน ตอนเป็นนักศึกษาปริญญาตรีที่มหาวิทยาลัย Padova ในอิตาลี ที่ Legnaro ชานเมืองมีอุปกรณ์ทดลองฟิวชันอยู่
    เครื่องฟิวชันอยู่ในอาคารหนึ่ง ส่วนห้องควบคุมอยู่ในอาคารข้าง ๆ ตอนนั้นยังใช้จอ CRT กันอยู่ และทุกครั้งที่เกิดเหตุการณ์ฟิวชัน สนามกักด้วยแม่เหล็ก จะแรงมากจนภาพบนหน้าจอทั้งหมดในห้องควบคุมเลื่อนไปด้านหนึ่งพร้อมกัน แล้วพอสนามปิดก็กลับมาเหมือนเดิม ทั้งที่อยู่ข้ามอาคารกัน

    • สงสัยว่ามันส่งผลต่อ ฮาร์ดไดรฟ์ หรือไมโครโฟนด้วยไหม

  • นี่เป็นแค่ ประกาศต่ออายุทุนวิจัย หรือเปล่า?

    • ลิงก์นี้น่าจะแสดงภาพรวมของงานวิจัยที่ได้รับการสนับสนุนจริง ๆ
      “AI for Real-time Fusion Plasma Behavior Prediction and Manipulation - Plasma Control Group”: https://control.princeton.edu/machine-learning-for-rt-profil...
    • ดูเหมือนอย่างนั้น พลังของ :staremoji:การตลาด:staremoji:

  • ว่าแต่ “However, uncovering these inter-correlations analytically is too complex to be achieved analytically.” นี่อ่านแล้วถอนหายใจเลย
    การตื่นเต้นกับงานของตัวเองเป็นเรื่องดีและน่าชื่นชม แต่ช่วยขัดเกลาประโยคอีกหน่อย แล้วเลิกใช้ ถ้อยคำฮิตเชิงประชาสัมพันธ์ อย่าง “groundbreaking”, “now.. for the first time”, “unprecedented” ไม่ได้หรือ? สำนวนฟุ้งกระจายแบบนี้ทำให้ข้ออ้างอ่านยากขึ้นมาก และพูดตรง ๆ คือสร้างอคติเชิงลบให้ผู้อ่านจนบั่นทอนความน่าเชื่อถือด้วย

    • มีความเป็นไปได้สูงว่าเป็นเพราะใช้ LLM ในกระบวนการเขียน

  • นิวตรอน ทำให้ฮาร์ดแวร์เกิดกัมมันตภาพรังสี
    บน Hacker News มีคนจำนวนมากที่ฝันถึงเครื่องปฏิกรณ์ฟิวชัน ไม่ใช่ฟิชชัน เครื่องปฏิกรณ์ฟิวชันแบบนี้จะกลายเป็นแหล่งกำเนิดนิวตรอนเร็วที่ทรงพลัง และฮาร์ดแวร์ภายในทั้งหมดจะกลายเป็นกัมมันตรังสี ยังไม่ต้องพูดถึงรังสีแกมมา
    ถ้าสุดท้ายก็ต้องจัดการกับวัสดุกัมมันตรังสีอยู่ดี ทำไมไม่ใช้ฟิชชันไปเลย? เราจัดการเครื่องปฏิกรณ์ฟิชชันกันมา 70 ปีแล้ว และรู้วิธีสร้างกับเดินเครื่องให้มีประสิทธิภาพมากกว่า 95% ฟิชชันสามารถจ่ายไฟฟ้าที่ต้องการได้ทั้งหมด
    ปัจจุบันมีเครื่องปฏิกรณ์ฟิชชัน 440 เครื่องกำลังเดินเครื่องใน 32 ประเทศ และ 20% ของโครงข่ายไฟฟ้าสหรัฐฯ มาจากฟิชชัน ถ้าอยากพัฒนาเทคโนโลยีพลังงาน ก็ควรโฟกัสที่การปรับปรุงฟิชชัน เช่น เชื้อเพลิง TRISO (https://news.ycombinator.com/item?id=41898377) หรือสิ่งที่ Lightbridge กำลังทำอยู่ (https://www.ltbridge.com/lightbridge-fuel) เป็นต้น Hacker News มีท่าทีเป็นปฏิปักษ์ต่อฟิชชัน และมีทัศนคติแบบยอมแพ้ที่จินตนาการถึงนวัตกรรมเทคโนโลยีฟิชชันไม่ออก แต่ทัศนคตินี้จะค่อย ๆ เปลี่ยนไป
    ขออ้างคำของ John Carmack ว่า “ฟิวชันดิวเทอเรียมจะให้แหล่งเชื้อเพลิงที่ราคาถูกและแทบไม่มีที่สิ้นสุด พร้อมกระแสของเสียที่พอรับได้ แต่เมื่อเทียบกับฟิชชันแล้ว ในฐานะวิธีสร้างความร้อน มันซับซ้อนและแพงจนแทบจะน่าขัน ฟิชชันโดยพื้นฐานแล้วใกล้เคียงกับ ‘เอาหินพวกนี้มาวางข้างกัน แล้วมันก็ร้อนขึ้น’”

    • ผมไม่ใช่ผู้เชี่ยวชาญ แต่สิ่งที่ผมคิดว่ารู้มีดังนี้ ถ้าพูดจากมุมมองของคนฝรั่งเศส ผมใช้ไฟฟ้าส่วนใหญ่จาก โรงไฟฟ้านิวเคลียร์ฟิชชัน
      1/ ยูเรเนียมไม่ใช่ทรัพยากรหมุนเวียน และจริง ๆ แล้วตรงกันข้ามเลย มันต้องขุดและแปรรูป มีราคาแพง และก่อมลพิษสูง อีกทั้งในพื้นที่ส่วนใหญ่ของโลกก็ไม่ได้มีอยู่ในความเข้มข้นที่ต้องการ จึงสร้างปัญหาภูมิรัฐศาสตร์ด้วย
      2/ โรงไฟฟ้านิวเคลียร์ฟิชชันต้องการประเทศหรือรัฐบาลที่ทำงานได้ดี และสภาพที่ไม่มีสงคราม การโจมตีโรงไฟฟ้าด้วยอาวุธตามแบบก็อาจก่อผลลัพธ์ที่ทำลายล้างและยืดเยื้อได้ และกลุ่มก่อการร้ายใด ๆ ก็อาจทำเช่นนั้นได้
      3/ ผมเคยอ่านว่า “ท้ายที่สุด นักวิจัยหวังจะใช้ปฏิกิริยาโปรเทียม-โบรอน-11 เพราะแม้จะเกิดปฏิกิริยาข้างเคียงได้ แต่ไม่ได้สร้างนิวตรอนโดยตรง” เป็นคำอ้างจาก Wikipedia แต่ผมก็เคยเห็นเนื้อหานี้จากแหล่งอื่นมาก่อนแล้ว
      ดังนั้นฟิวชันอาจไม่ใช่ตัวเลือกที่ดีที่สุดในระยะสั้น เพราะความซับซ้อนและต้นทุนของการวิจัย แต่ในระยะกลางถึงยาว มันดูเหมือนจะเป็นตัวเลือกที่ดีที่สุดอย่างแน่นอน เราได้เลือกหายนะระยะสั้นด้วยถ่านหินและน้ำมันไปแล้ว หวังว่าจะเรียนรู้จากเรื่องนั้นได้
      หรือไม่อย่างนั้นผมอาจผิดทั้งหมดก็ได้
    • “นิวตรอนทำให้ฮาร์ดแวร์เกิดกัมมันตภาพรังสี” นั้นถูกต้อง แต่มีข้อแม้อยู่สองอย่าง
      1. การทิ้งระเบิดด้วยนิวตรอนจากฟิวชันทำให้ฮาร์ดแวร์มีกัมมันตภาพรังสีเป็นเวลาน้อยกว่า 10 ปี ซึ่งไม่ใช่เรื่องดี แต่ก็ไม่อยู่ในระดับเดียวกับของเสียจากฟิชชัน
      2. กระบวนการฟิวชันบางอย่างไม่ปล่อยนิวตรอน กล่าวคือเป็น ฟิวชันไร้นิวตรอน ตามที่ผมเข้าใจ กระบวนการแบบนี้มีประสิทธิภาพต่ำกว่า แต่ก็อาจมีทางประนีประนอมระหว่างการสร้างของเสียกัมมันตรังสีกับประสิทธิภาพ
    • ผมไม่ค่อยเข้าใจว่า “เดินเครื่องด้วยประสิทธิภาพมากกว่า 95%” หมายถึงอะไร
      ถ้าหมายถึงกระบวนการทั้งหมดในการได้พลังงานหรือไฟฟ้าจากเครื่องปฏิกรณ์ ก็เป็นไปไม่ได้ เพราะยังถูกจำกัดด้วย วัฏจักรการ์โนต์ อยู่ แม้แต่เครื่องปฏิกรณ์ที่ก้าวหน้าที่สุดอย่าง HTGR ก็มีประสิทธิภาพประมาณ 45%
      ถ้าใช้คำนิยามประสิทธิภาพที่ต่างจากมาตรฐาน ก็อยากให้บอกคำนิยามนั้นด้วย
      [1] https://en.wikipedia.org/wiki/High-temperature_gas-cooled_re...
    • เมื่อหนึ่งเดือนก่อนคุณก็โพสต์คอมเมนต์ที่แทบจะเหมือนกันคำต่อคำ[0] ทำไมถึงเป็นอย่างนั้น? ไม่รู้เหตุผลเหมือนกัน แต่ประโยคที่ว่า “บน Hacker News มีคนจำนวนมากที่ฝันถึงฟิวชัน ไม่ใช่ฟิชชัน” ติดอยู่ในหัวผม
      [0] https://news.ycombinator.com/item?id=41677250
    • ในความเห็นผม นั่นเป็นปัญหาที่เล็กที่สุด ปัญหาที่ใหญ่กว่าคือ การกัดกร่อนจากนิวตรอน
      มีเทคนิคใช้เกราะลิเทียมเพื่อผลิตทริเทียมที่จำเป็นสำหรับฟิวชันอยู่ก็จริง แต่ไม่รู้ว่ามันมีประสิทธิผลแค่ไหน โดยเฉพาะจากมุมมองอายุการใช้งานระยะยาวของเครื่องปฏิกรณ์ เครื่องปฏิกรณ์แบบนี้แพงมาก จึงไม่แน่ใจด้วยว่าคุ้มหรือไม่ที่จะหยุดเดินเครื่องทุกปีแล้วเปลี่ยนเกราะ Li ทั้งหมด