Google, DeepMind, 核融合

隨著核融合研究在近年來產生一系列突破,越來越多研究團隊與民間企業開使探討相關技術。人類也有望在本世紀讓核融合技術成功商業化。美國科技巨頭 Google 最近也針對核融合展開一系列佈局。

上週,美國新創 TAE Technologies 才展示公司如何利用 Google 人工智慧演算法 Optometrist 優化自己的核融合硬體設施。幾天前,Google 母公司 Alphabet 旗下的人工智慧公司 DeepMind 也宣布成功利用機器學習控制核融合反應。

過去幾年,DeepMind 在 Google 的人工智慧版圖中一直扮演著關鍵角色。自 Google 在 2014 年收購 DeepMind 以來,DeepMind 開發的圍棋軟體 AlphaGo 陸續擊敗各國圍棋冠軍。2017 年,升級版程式 AlphaGo Zero 更打破之前紀錄,擊敗其他版本的 AlphaGo 。

♦ TO 延伸閱讀:利用 Google 演算法,新創欲在 2030 完成核融合商業化!

全球共同考驗:核融合只能維持幾秒鐘

此次與 DeepMind 合作的團隊為瑞士洛桑聯邦理工學院 (École polytechnique fédérale de Lausanne, EPFL) 底下的瑞士電漿中心 (Swiss Plasma Center)。目前,該中心擁有一台托克馬克可變配置 (Variable Configuration Tokamak,法文縮寫 TCV)。

現今主流核融合技術起源於 1950 年代蘇聯科學家的托卡馬克架構。簡言之,托卡馬克架構利用磁約束來控制極高溫電漿,進而促進氫原子融合成氦原子。

DeepMind 指出,全球目前有十幾個托卡馬克反應爐,但運作成本高昂且需求量高,因此侷限了相關研究團隊進行實驗的能力。此外,維持核融合所需的電漿狀態為一大挑戰:反應爐系統必須每秒改變磁線圈內電壓幾千次來確保電漿不會碰到爐壁。

目前,瑞士電漿中心的 TCV 反應爐只能維持電漿三秒鐘,並需要 15 分鐘的時間來冷卻及重設才能再次使用。

♦ TO 延伸閱讀:歐洲核融合技術有新突破!各國即將展開能源競賽?

透過深度學習,操控電漿形狀!

透過 DeepMind 開發的深度強化學習 (deep reinforcement learning) 系統,瑞士電漿中心所面臨的挑戰有望在不久的將來迎刃而解。

在一個模擬 TCV 內部的環境下,DeepMind 程式學會操控磁線圈電壓來塑造狀態穩定但形狀各異的電漿,其中包含「雪花狀」和「水滴狀」電漿。DeepMind 表示,不同電漿形狀有不同釋放能量的潛能。程式也製造出了國際熱核融合實驗反應爐 (ITER) 常用的電漿形狀,有望在未來也能協助 ITER 實驗。

DeepMind 演算法造出不同形狀的電漿 (Source: DeepMind / SPC /EPFL)

儘管 DeepMind 的演算法已在 TCV 反應爐中運行了 100 多次,團隊表示許多障礙尚待克服,包含電漿模擬器的速度:目前的運算系統仍須花上幾小時的時間來模擬反應爐中的一秒。另外,反應爐本身每天的狀態都不一樣,使得團隊必須時常改變演算法來適應新的硬體環境。

不過,長期觀察相關進展的貝爾法斯特女王大學 (Queen’s University Belfast) 核物理專家 Gianluca Sarri 認為,AI 勢必是讓核融合技術進步的唯一方式。

資料參考:DeepMindScience Alert,圖片來源:Shutterstock