Fusionsenergie: Zusammenarbeit zwischen Google DeepMind und CFS soll per KI den Durchbruch bringen

Google DeepMind und Commonwealth Fusion Systems (CFS) wollen zusammenarbeiten. Durch den Einsatz von KI soll es gelingen, innerhalb recht kurzer Zeit Energie aus Kernfusion zu erzeugen.

Mit Kernfusion ist die Hoffnung verbunden, vergleichsweise sauberen Strom zu erzeugen, ohne dass dabei langlebiger radioaktiver Abfall entsteht. Um Kernfusion auf der Erde zu ermöglichen, muss ein ionisiertes Gas, das sogenannte Plasma, bei Temperaturen von über 100 Millionen Grad Celsius stabil gehalten werden.

Die Fusion findet in einem sogenannten Tokamak statt. In dieser ringförmigen Konstruktion wird das Plasma mithilfe sich überlagernder Magnetfelder stabil gehalten. So wird verhindert, dass das sehr heiße Plasma die Wände der Röhre berührt.

CFS arbeitet an einem kompakten Tokamak-Gerät namens SPARC. SPARC nutzt leistungsstarke Hochtemperatur-supraleitende Magnete. Das Ziel ist das Erstellen des ersten magnetischen Fusionsreaktors, der Netto-Fusionsenergie erzeugt. Das Erreichen des Break-Even wäre ein entscheidender Schritt auf dem Weg zur nutzbaren Fusionsenergie.

Nachfolgend ist eine Visualisierung für einen Querschnitt durch SPARC zu sehen:

Im Rahmen der aktuellen Zusammenarbeit konzentrieren sich die Partner auf drei Schlüsselbereiche:

1. Erzeugung einer schnellen, genauen und differenzierbaren Simulation eines Plasmas
2. Finden des effizientesten und robustesten Pfades zur Maximierung der Fusionsenergie
3. Nutzung von Reinforcement Learning zum Entdecken neuartiger Echtzeit-Kontrollstrategien

Ein zentrales Werkzeug dafür ist TORAX, ein quelloffener Plasmasimulator. TORAX iermöglicht es, Millionen virtueller Experimente durchzuführen und Betriebspläne zu testen und zu verfeinern, bevor SPARC in Betrieb genommen wird. Es hilft dabei, den Fluss von Wärme, elektrischem Strom und Materie durch das Plasma zu simulieren und die Leistung des Tokamak zu optimieren.

Mithilfe von TORAX in Verbindung mit Reinforcement Learning und evolutionären Suchansätzen wie AlphaEvolve können KI-Agenten zahlreiche potenzielle Betriebsszenarien untersuchen. Das ermöglicht das schnelle IErkennen der effizientesten Wege zur Erzeugung von Nettoenergie und umfasst die Abstimmung von Parametern wie Magnetspulenströmen, die Einspritzung von Brennstoff und Heizleistung.

Mittels Reinforcement Learning-Agenten soll eine dynamische Steuerung des Plasmas gelingen, um die Hitze effektiv zu verteilen. Das ist notwendig, um die Materialien zu schützen, die dem Plasma am nächsten sind, wenn SPARC unter voller Leistung läuft und große Mengen an Wärme freisetzt.