Control magnético de los plasmas tokamak a través del aprendizaje por refuerzo profundo

Área de la Ciencia:

• La fusión nuclear
• Física del plasma
• Inteligencia artificial

Sus antecedentes:

• La fusión por confinamiento magnético, particularmente los tokamaks, ofrece un camino hacia la energía sostenible.
• El control de plasmas de alta temperatura en tokamaks requiere una activación de la bobina magnética compleja y de alta dimensión.
• Las diversas configuraciones plasmáticas presentan importantes desafíos de control.

Objetivo del estudio:

• Para introducir una nueva arquitectura para el diseño del controlador magnético tokamak.
• Para permitir el aprendizaje autónomo para controlar las bobinas del actuador magnético.
• Cumplir con los objetivos de control de alto nivel y satisfacer las limitaciones físicas y operativas.

Principales métodos:

• Desarrolló una nueva arquitectura de controlador impulsada por IA para sistemas magnéticos tokamak.
• Aprendizaje de refuerzo utilizado para la generación de comandos autónomos de las bobinas de control.
• Aplicó la arquitectura al dispositivo Tokamak con configuración variable (TCV).

Principales resultados:

• Se han producido y controlado con éxito diversas configuraciones plasmáticas (triangularidad alargada, negativa, copo de nieve) en TCV.
• Logró un seguimiento preciso de la ubicación, la corriente y la forma del plasma.
• Se ha demostrado la existencia de "gotas" de plasma dual sostenidas, manteniendo simultáneamente dos plasmas separados.

Conclusiones:

• La nueva arquitectura del controlador ofrece una flexibilidad y una generalidad sin precedentes en la especificación de problemas de control.
• Este enfoque de IA reduce significativamente el esfuerzo de diseño para nuevas configuraciones de plasma.
• El aprendizaje por refuerzo muestra un gran potencial para acelerar la investigación en energía de fusión al abordar desafíos complejos de control.