科學家成功透過人工智慧，在核融合實驗中控制了電漿
成功地達成核融合的話，會有希望提供無限且永續的乾淨能源來源；但是，只有當我們能夠掌握發生在反應器內的複雜物理反應後，我們才能實現這個很棒的夢想。
AI 協助核融合
數十年來，科學家一直不斷一步一步地接近這個目標，但是仍然還存有很多挑戰。其中一項核心的阻礙就是，要成功地在反應器內控制不穩且超級熱的電漿，但是一個新方法揭曉了我們能夠如何做到這件事。
在瑞士洛桑聯邦理工學院（École polytechnique fédérale de Lausanne，EPFL）的瑞士電漿中心（Swiss Plasma Center，SPC）與人工智慧（artificial intelligence，AI）研究公司 DeepMind 的合作下，科學家們使用了深度強化學習（deep reinforcement learning，deep RL）系統，來研究電漿行為上的細微差異、以及研究在核融合的托卡馬克（tokamak）中控制電漿。托卡馬克是一種形狀像甜甜圈的設備，會使用放置於反應器周圍的磁線圈，來控制及操控反應器內的電漿。
這並不是一件簡單的平衡動作，因為線圈需要很大量的微調電壓，頻率大概是每秒要數千次，才能成功地讓電漿被侷限於磁場中。所以，若要維持核融合反應，也就是要讓電漿在攝氏數億度上維持穩定，而這可是比起太陽核心還要熱的溫度的話，就需要複雜且多層次的系統來管理線圈。然而，在新研究中，研究人員們展示說，一個單一的 AI 系統可以完全自己一個人來監督任務。
研究團隊在 DeepMind 的部落格貼文中解釋說：「藉由使用一個結合了 deep RL 與模擬環境的學習結構，我們製造了可以同時讓電漿穩定，也可以被用來準確地將電漿塑造成不同形狀的控制器。」
學習過程與結果
為了實現這一壯舉，研究人員在一托卡馬克的模擬器中訓練了他們的 AI 系統，在這其中，此機器學習系統透過試行錯誤，學習如何掌控將電漿侷限於磁場中的複雜性。在訓練完成後，AI 移動到下一個階段，將其在模擬器中所學到的東西應用於真實世界中。
藉由控制 SPC 的托卡馬克可變配置（Tokamak à configuration variable，TCV），RL 系統在反應器內將電漿塑造成一系列不同的形狀，包括其中一個從來沒有在 TCV 中看過的形狀：穩定的「水滴狀」電漿，也就是兩個電漿同時存在於裝置中。
除了典型的形狀之外，AI 也可以產生出進階的電漿結構，例如「負三角形」（negative triangularity）結構或「雪花」結構。
未來展望
如果在未來我們能夠維持核融合反應的話，這些表現形式中的每一種都有各種不同潛力來收集能量。其中一種由這個系統所控制的結構，也就是所謂的「像 ITER形狀」的結構，可能對國際熱核融合實驗反應爐（International Thermonuclear Experimental Reactor，ITER）－也就是目前正在法國建造的世界上最大的核融合實驗－的未來研究具有特別的展望。
根據研究人員所述，能夠掌握形成這些電漿的能力代表說，RL 已經被應用於真實世界系統中最具挑戰性的其中一個，而且能夠建立一個基本的新方向，來告訴我們如何設計真實世界中的托卡馬克。事實上，有些人認為，我們目前正看到的東西，會基本性地改變未來融合反應器中的進階電漿控制系統。
未參與此研究的英國北愛爾蘭貝爾法斯特女王大學（Queen’s University Belfast）的物理學家吉安盧卡·薩里教授（Gianluca Sarri）說：「在我的想法中，這個 AI 是向前進的唯一方法。存在有這麼多的變數，只要其中一個小小的改變，就能造成最終產出的巨大改變。如果要嘗試以人工方式來達成，那會是一個非常漫長的過程。」
更多科學與科技新聞都可以直接上 明日科學網站 http://www.tomorrowsci.com
參考資料：
- Dockrill, P., (2022, February 21). Physics Breakthrough as AI Successfully Controls Plasma in Nuclear Fusion Experiment. ScienceAlert
- Degrave, J. et al., (2022, February 16). Magnetic control of tokamak plasmas through deep reinforcement learning. Nature. doi.org/10.1038/s41586-021-04301-9
- 圖片來源：https://www.sciencealert.com/physics-breakthrough-as-ai-successfully-controls-plasma-in-nuclear-fusion-experiment（圖：DeepMind/SPC/EPFL）
