Ein neues KI-Werkzeug namens HEAT-ML beschleunigt die Identifizierung von "magnetischen Schatten" in Fusionsreaktoren erheblich. Entwickelt in einer Public-Private-Partnerschaft zwischen Commonwealth Fusion Systems (CFS), dem Princeton Plasma Physics Laboratory (PPPL) und dem Oak Ridge National Laboratory (ORNL), nutzt HEAT-ML ein tiefes neuronales Netzwerk. Dieses wurde auf rund 1.000 Simulationen des Heat flux Engineering Analysis Toolkit (HEAT) für den SPARC-Tokamak trainiert. HEAT-ML kann nun dreidimensionale Karten magnetischer Schatten in Millisekunden vorhersagen, eine deutliche Verbesserung gegenüber dem ursprünglichen HEAT-Code, der zuvor etwa 30 Minuten pro Simulation benötigte.
Die Hauptanwendung von HEAT-ML liegt in der Simulation eines Teils von SPARC, einem Tokamak, der von CFS gebaut wird und bis 2027 die Nettoenergiegewinnung demonstrieren soll. Durch die genaue Vorhersage, wo die Plasmahitze auf das Innere des Reaktors trifft, ist HEAT-ML entscheidend für das Design von Komponenten, die diesen extremen Bedingungen standhalten können. Die SPARC-Anlage in Devens, Massachusetts, ist darauf ausgelegt, die Fusionsenergieerzeugung zu demonstrieren und die Kerntechnologie für ihren Nachfolger ARC zu verfeinern, der Strom ins Netz einspeisen soll. Diese KI-gestützte Simulation beschleunigt nicht nur den Designprozess für zukünftige Fusionssysteme, sondern erhöht auch die Betriebssicherheit, indem sie Echtzeit-Anpassungen der Plasmakonfigurationen ermöglicht. Die Forschung von PPPL hat bereits zu wichtigen Fortschritten geführt, wie die Unterstützung des Rekords bei der Produktion von experimenteller Fusionsenergie am Joint European Torus (JET) im Vereinigten Königreich im Jahr 2022. Auch ORNL leitet mehrere von der DOE finanzierte Projekte zur Beschleunigung der Fusionsenergieentwicklung. Die Fähigkeit, diese Berechnungen in Millisekunden durchzuführen, ebnet den Weg für eine effizientere und sicherere Energiezukunft.