Wat als onderzoekers het gedrag van een kernfusiereactor al kunnen voorspellen voordat het volgende experiment begint? Het Amerikaanse Commonwealth Fusion Systems wil dat mogelijk maken met een digitale tweeling van zijn SPARC-reactor. Met hulp van NVIDIA, Google DeepMind en vier nationale laboratoria moet kunstmatige intelligentie complexe plasmaberekeningen terugbrengen tot minder dan twintig minuten.
Het project maakt deel uit van de Genesis Mission van het Amerikaanse ministerie van Energie (DOE), dat op 8 oktober nieuwe onderzoeksprojecten aankondigde. De digitale tweeling moet uiteindelijk helpen om commerciële kernfusie sneller en efficiënter te ontwikkelen.
Virtuele kernfusiereactor die meeleert
SPARC is een zogenoemde tokamak, een experimentele kernfusiereactor die met krachtige magnetische velden extreem heet plasma opsluit. Dat plasma moet voldoende lang stabiel blijven om energie uit kernfusie te produceren.
Juist die stabiliteit vormt een van de grootste technische uitdagingen. Kleine veranderingen in temperatuur, dichtheid of magnetische velden kunnen grote gevolgen hebben voor het gedrag van het plasma.
Traditionele computersimulaties kunnen zulke processen doorrekenen, maar vergen vaak enorme hoeveelheden rekenkracht. De nieuwe digitale tweeling combineert natuurkundige modellen met kunstmatige intelligentie en experimentele meetgegevens. Het bijzondere is dat het virtuele model voortdurend wordt bijgewerkt met informatie uit de echte SPARC-reactor, die momenteel in Massachusetts wordt gebouwd.
Volledige plasmaontlading binnen twintig munuten voorspellen
De onderzoekers willen een volledige plasmaontlading binnen twintig minuten kunnen voorspellen. Daarmee zouden wetenschappers tussen twee experimenten verschillende instellingen kunnen onderzoeken en hun volgende test gerichter voorbereiden.
Het Princeton Plasma Physics Laboratory (PPPL) levert hiervoor drie belangrijke simulatieprogramma’s: M3D-C1, TRANSP en XGC. Deze beschrijven onder meer plasma-instabiliteiten, energietransport en het gedrag van geladen deeltjes.
AI-modellen, ook wel surrogate models genoemd, moeten complexe berekeningen vervolgens aanzienlijk versnellen. Ze leren patronen uit grote hoeveelheden simulatiegegevens en benaderen daarmee de uitkomsten van traditionele natuurkundige modellen.
Dat biedt een belangrijk voordeel: onderzoekers kunnen mogelijk veel meer scenario’s doorrekenen zonder telkens een volledige, rekenintensieve simulatie uit te voeren.
Snelheid alleen is niet genoeg
De beloofde twintig minuten zijn voorlopig een ontwikkeldoel, geen bewezen prestatie. Bovendien is een snelle voorspelling alleen bruikbaar als die ook betrouwbaar is.
Dat is bij kernfusie cruciaal. Een onjuist voorspelde plasma-instabiliteit kan leiden tot een afgebroken experiment en mogelijk schade aan reactoronderdelen.
Daarom worden de digitale modellen eerst getest met gegevens en onderzoeksinfrastructuur van PPPL, waaronder de NSTX-U-tokamak. Zo moeten onderzoekers vaststellen hoe nauwkeurig de voorspellingen daadwerkelijk zijn.
Belangrijke stap richting commerciële kernfusie
Het uiteindelijke doel reikt verder dan SPARC. Commonwealth Fusion Systems wil de technologie gebruiken bij de ontwikkeling van ARC, een toekomstige commerciële kernfusiecentrale.
Een betrouwbare digitale tweeling kan helpen om reactorontwerpen te verbeteren, experimenten efficiënter te plannen en ontwikkelkosten te beperken.
De belangrijkste winst zit daarmee niet noodzakelijk in een hogere energieopbrengst per experiment, maar in een sneller leerproces. Als AI de tijd tussen meten, begrijpen en bijsturen drastisch verkort, kan dat de ontwikkeling van commerciële kernfusie aanzienlijk versnellen.
