Erst vor Kurzem hat die Bundesregierung bekannt gegeben, künftig mehr in die Forschung von Fusionsenergie zu investieren. Allein zwei Milliarden Euro sollen es in dieser Legislaturperiode sein. Auch andere Länder, unter anderem China und die USA, investieren in die Technologie und betreiben Testreaktoren. Kein Wunder, schließlich verheißt die Kernfusion eine neue Quelle für nachhaltige Energie.

Bis zum Start eines ersten Fusionsreaktors muss allerdings noch viel passieren. Denn obwohl die Kernfusion seit Jahrzehnten erforscht wird, gilt es in der Praxis, einige Hürden zu überwinden. Der Prozess, bei dem in einem 100 Millionen Grad heißen und bis zu 100 Kilometer pro Sekunde schnellen Plasma Atomkerne miteinander verschmelzen und dabei Energie freisetzen – wie es im Inneren der Sonne geschieht –, ist äußerst schwierig. Bislang ist es nur gelungen, das Plasma in donutförmigen Reaktoren – Tokamak genannt – durch den Einsatz von Magnetfeldern für kurze Zeit stabil zu halten.

Für den späteren Regelbetrieb in deutlich größeren Anlagen ist es zudem wichtig, dass sich die Fusionsreaktoren bei Bedarf kontrolliert abschalten lassen. Das ist schon bei Kernkraftwerken nicht ganz ohne. Im Fall eines Tokamaks aber kann das abkühlende Plasma zu Schäden an der Maschine führen, wie es in einigen Fällen bereits vorkam. Forscher:innen des MIT haben jetzt ein KI-Modell entwickelt, das die Abschaltung, den sogenannten Ramp-Down, simulieren und sicherer machen könnte. Die entsprechende Studie ist im Fachmagazin Nature Communications erschienen.

„Eine gängige Strategie besteht darin, das Plasma durch eine Abschaltung des Plasmastroms zu deaktivieren“, schreiben die Forscher:innen. Das führe jedoch häufig dazu, dass das Plasma näher an seine Instabilitätsgrenzen gelangt und dadurch unkontrollierbar wird. Dabei könne es passieren, dass das Plasma die Innenwände des Reaktors beschädigt, was kostspielige und langwierige Reparaturen erfordert.

Das Problem: Während des Ramp-Downs ändern sich in kürzester Zeit viele physikalische Größen drastisch, was die Simulation und somit die Kontrolle des Plasmas erschwert. Um diese Kontrolle zu verbessern, hat das Team des MIT maschinelles Lernen mit den Daten physikalischer Plasma-Experimente kombiniert. Trainiert und getestet wurde das Modell anhand von Daten aus einem Tokamak in der Schweiz, dem TCV in Lausanne.

Konkret hat das Team die Daten von etwas mehr als 300 Plasmaimpulsen, davon fünf mit hoher Energie, des TCV verwendet. Tokamak-Reaktoren laufen nicht durchgängig, sondern im Pulsbetrieb; sie werden quasi immer wieder neu „gezündet“. Die Forscher:innen erhielten für jeden Impuls Informationen zu den Eigenschaften des Plasmas, über Temperatur, Energiedichte, Strom und Magnetfelder. Anschließend trainierten sie das Neural State-Space Model (NSSM) mit diesen Daten und simulierten, ob es in der Lage war, die Entwicklung des Plasmas unter bestimmten Betriebsbedingungen vorherzusagen.

Ziel war es, das Plasma ohne unkontrollierte Energiefreigabe aufzulösen. Trotz der begrenzten Ausgangsdatenlage konnte das Team feststellen, dass das Modell nach dem Training imstande war, bestimmte Plasmaverläufe (Trajektorien) zu simulieren, die einen kontrollierteren Ramp-Down ermöglichten.

Mit diesen Informationen könnten Betreiber von Tokamak-Reaktoren bei der Abschaltung die Magneten und die Temperaturen gezielter steuern. In Testläufen am TCV schwächten die Vorgaben des Modells das Plasma schneller und ohne Störungen ab im Vergleich zu bisherigen Methoden. „Dies könnte ein praktikabler Ansatz für künftige Tokamaks wie SPARC und ITER sein, die zunächst mit geringer Leistung betrieben werden, bevor die Leistung schrittweise gesteigert wird“, schreiben die Verantwortlichen in der Studie.