خبر کامل
کنترل پلاسما با هوش مصنوعی و میدان‌های سه‌بعدی؛ پژوهشگران PPPL برنده جایزه Kaul 2025 شدند
توسعه رویکردی نوین برای کنترل پلاسما؛ پژوهشگران پرینستون برنده جایزه Kaul 2025 شدند
گروهی از پژوهشگران آزمایشگاه فیزیک پلاسما پرینستون (PPPL) وابسته به وزارت انرژی ایالات متحده، به دلیل توسعه روشی پیشگامانه برای کنترل پلاسما در راکتورهای همجوشی هسته‌ای، موفق به کسب جایزه معتبر بنیاد Kaul برای برتری در پژوهش و توسعه فناوری فیزیک پلاسما در سال ۲۰۲۵ شدند. این دستاورد با استفاده از بهینه‌سازی میدان‌های مغناطیسی سه‌بعدی و هوش مصنوعی، یکی از بزرگترین چالش‌های دستیابی به انرژی همجوشی تجاری را هدف قرار داده است.
جزئیات دستاورد و برندگان جایزه
این جایزه به سه پژوهشگر برجسته اعطا شده است که با بهینه‌سازی میدان‌های مغناطیسی سه‌بعدی در توکامک‌ها، توانسته‌اند ناپایداری‌های لبه پلاسما را مهار کرده و کارایی محصورسازی پلاسما را به‌طور چشمگیری بهبود دهند. برندگان این جایزه عبارتند از:
- سونگ مو یانگ
- سانگ‌کیون کیم
- ریکاردو شوشا
چالش پایدارسازی پلاسما در همجوشی هسته‌ای
فرآیند همجوشی هسته‌ای نیازمند برخورد اتم‌های هیدروژن با انرژی بسیار بالا برای ایجاد پلاسما است؛ حالتی فوق‌داغ از ماده که دمای آن حتی از هسته خورشید نیز فراتر می‌رود. این پلاسما باید در محفظه‌ای دونات‌مانند موسوم به «توکامک» به‌صورت پایدار محصور شود.
یکی از چالش‌های اصلی در مسیر دستیابی به انرژی همجوشی، پایدار نگه‌داشتن لبه پلاسما است، زیرا این ناحیه مرزی می‌تواند ناپایدار شده و به اجزای داخلی توکامک آسیب بزند.
پدیده ناپایداری‌های پارگی و راهکار پیشگیرانه
در صورت ناپایداری لبه پلاسما، پدیده‌ای موسوم به ناپایداری‌های پارگی (tearing modes) رخ می‌دهد که منجر به از دست رفتن محصورسازی، آسیب به محفظه و توقف ناگهانی فرآیند همجوشی می‌شود. روش‌های رایج کنونی اغلب پس از وقوع این ناپایداری‌ها وارد عمل می‌شوند؛ اما پژوهش جدید PPPL رویکردی پیش‌دستانه ارائه می‌دهد که با تنظیم لحظه‌ای پارامترهای توکامک، از شکل‌گیری این ناپایداری‌ها جلوگیری می‌کند.
نقش کلیدی میدان‌های مغناطیسی سه‌بعدی و هوش مصنوعی
در حالی که بیشتر توکامک‌ها به‌طور سنتی از میدان‌های مغناطیسی دوبعدی برای مهار پلاسما استفاده می‌کنند، یافته‌های اخیر نشان می‌دهد میدان‌های مغناطیسی سه‌بعدی پایداری بسیار بالاتری ایجاد می‌کنند. با این حال، محاسبه و بهینه‌سازی این میدان‌ها به‌قدری پیچیده است که از توان سامانه‌های کنترلی دستی فراتر می‌رود.
سانگ‌کیون کیم، پژوهشگر ارشد PPPL: تا امروز مسیر امیدوارکننده بهینه‌سازی سه‌بعدی را با ترکیب فیزیک، هوش مصنوعی و کنترل بلادرنگ دنبال کرده‌ایم؛ هرچند تصمیم انسانی همچنان بخشی از فرآیند بهینه‌سازی است.
پیچیدگی‌های موجود باعث شده است یادگیری ماشین به‌عنوان راهکار کلیدی برای ایجاد جهش در این حوزه مطرح شود. در این پژوهش، سامانه هوش مصنوعی با انجام آزمایش‌های شبیه‌سازی‌شده، راهبردهای بهینه برای حفظ توان بالا و جلوگیری از شرایط منجر به از دست رفتن پلاسما را فرا گرفته است. این سامانه قادر است بروز ناپایداری‌های احتمالی را پیش‌بینی کرده و با ریزتنظیم‌های لحظه‌ای در خطوط میدان مغناطیسی، از وقوع آنها جلوگیری کند.
همکاری‌های بین‌المللی و گام‌های آتی
این پروژه با همکاری میان مراکز پژوهشی مختلف، از جمله آزمایش‌هایی که در توکامک KSTAR کره جنوبی و توکامک DIII-D در سن‌دیگو انجام شده‌اند، به پیش رفته است. این همکاری‌ها ساختار پژوهش را به‌صورت ماژولار و انعطاف‌پذیر طراحی کرده تا قابلیت استفاده در تاسیسات همجوشی مختلف در سراسر جهان را داشته باشد.
مرحله بعدی این پژوهش، توسعه یک سامانه کاملاً خودکار برای بهینه‌سازی میدان‌های مغناطیسی سه‌بعدی است. به‌دلیل تعدد متغیرها و پیچیدگی بالا، پژوهشگران یادگیری ماشین را تنها مسیر واقع‌بینانه برای دستیابی به همجوشی در مقیاس تجاری می‌دانند.
استیو کاولی، مدیر آزمایشگاه PPPL: سونگ مو یانگ، سانگ‌کیون کیم و ریکاردو شوشا با ترکیب هوش مصنوعی و رویکردهای کلاسیک سهمی بنیادین در حل یکی از دشوارترین مسائل انرژی همجوشی داشته‌اند. کار آنها هم‌اکنون بر آزمایش‌های همجوشی در سراسر جهان تاثیر گذاشته است.
درباره هوش‌مصنوعی دست‌اول:
تمامی اخبار دست‌اول توسط دستیار هوش مصنوعی «هوشنگ» پردازش، صحت‌سنجی، خلاصه و بازنویسی شده است. هوشنگ هر روز با داده‌های جدید آموزش داده می‌شود و با نظارت دقیق انسانی و سردبیری دست‌اول در حال بهتر شدن است.
شما می‌توانید از چت‌بات و سایر ابزارهای هوشنگ به صورت رایگان استفاده کنید.
