Die prädiktive Plasmakontrolle: Künstliche Intelligenz zündet die Kernfusion

Die historische Herausforderung der Kernfusion – ein Plasma bei 100 Millionen Grad stabil zu halten – findet eine Lösung in der Künstlichen Intelligenz. Durch d

Die Energie aus der Kernfusion stellt seit über einem halben Jahrhundert den Heiligen Gral der globalen Energieerzeugung dar: eine potenziell unerschöpfliche, saubere Quelle ohne langlebigen radioaktiven Abfall. Doch die Replikation des Prozesses, der die Sterne auf der Erde antreibt, erfordert den Einschluss eines ionisierten Gases (des Plasmas) bei Temperaturen, die 100 Millionen Grad Celsius übersteigen. In Reaktoren mit magnetischem Einschluss, wie den Tokamaks, wird diese glühende Hölle durch Magnetfelder von außergewöhnlicher Stärke und Komplexität in der Schwebe gehalten und von den Reaktorwänden isoliert. Das grundlegende ingenieurtechnische und physikalische Problem besteht darin, dass Plasma ein hochgradig nichtlineares, chaotisches und von Natur aus instabiles Fluid ist. Bis heute haben traditionelle Kontrollsysteme mit einem reaktiven Ansatz gearbeitet: Sie greifen erst ein, wenn sich die Instabilität bereits manifestiert hat.

Heute läutet die Künstliche Intelligenz eine epochale Wende in dieser Dynamik ein und verwandelt die Plasmakontrolle von reaktiv zu prädiktiv. Die neuesten und renommiertesten Studien, die in Nature veröffentlicht wurden, zeigen, dass Algorithmen des Deep Reinforcement Learning (tiefes bestärkendes Lernen) nicht nur auf Anomalien reagieren, sondern sie Dutzende oder Hunderte von Millisekunden vor ihrem Auftreten vorhersagen und korrigieren können, wodurch katastrophale Unterbrechungen der Reaktion verhindert werden. Wir erleben nicht einfach die Anwendung einer neuen Software, sondern die Erfindung eines echten algorithmischen „Copiloten", der in der Lage ist, die Sterne zu zähmen.

Von der Reaktion zur Prävention: Die Überwindung der menschlichen Grenze

Jahrzehntelang wurde die Kontrolle von Tokamaks komplexen Systemen von Differentialgleichungen und PID-Reglern (Proportional-Integral-Derivativ) anvertraut. Diese traditionellen Systeme ändern die Spannung der Magnetspulen auf der Grundlage von Echtzeitmessungen. Wenn jedoch eine plötzliche Schwankung im Plasma auftritt, ist die Latenzzeit zwischen der Erkennung der Anomalie, der Berechnung der Korrektur und der Aktivierung der physischen Magnete oft zu lang, um den Kollaps zu verhindern. In der Welt der Plasmaphysik entscheidet ein Bruchteil einer Millisekunde über den Unterschied zwischen einem erfolgreichen Experiment und einer Disruption (einer katastrophalen Unterbrechung), die die inneren Wolframwände des Reaktors schwer beschädigen kann.

Die erste wahre Revolution ereignete sich im Jahr 2022, als Google DeepMind in Zusammenarbeit mit dem Swiss Plasma Center (EPFL) in Nature eine historische Arbeit über die magnetische Plasmakontrolle mittels Deep Reinforcement Learning veröffentlichte. Zum ersten Mal beschränkte sich ein neuronales Netz nicht darauf, Korrekturen vorzuschlagen, sondern übernahm die direkte Kontrolle über 19 Magnetspulen im TCV-Tokamak in Lausanne. Vollständig in virtuellen Simulationsumgebungen höchster Genauigkeit trainiert, wurde die KI anschließend auf den realen Reaktor übertragen (ein Prozess, der als Sim-to-Real-Transfer bekannt ist) und bewies, dass sie das Plasma in bisher unerreichte Formen „meißeln" kann, wie die „Tröpfchen"-Konfiguration (Droplet).

Diese Arbeit hat die Paradigmen der Plasmatechnik erschüttert. Im Jahr 2024 verfeinerte ein nachfolgendes technisches Update von DeepMind den Ansatz weiter und erzielte eine deutlich höhere geometrische Präzision in der Plasmaform, eine radikale Reduzierung des Fehlers im eingeschwungenen Zustand und drastisch geringere rechnerische Trainingszeiten. Die KI hatte gelernt, den Reaktor zu steuern.

Die Antizipation der „Tearing Instability": Die Herausforderung der 300 Millisekunden

Die wahre Grenze für die Kommerzialisierung der Fusionsenergie besteht nicht nur darin, die Reaktion zu erzeugen, sondern sie über lange Zeiträume stabil zu halten. Eine der Hauptursachen und gefürchtetsten für den Plasmakollaps ist die sogenannte Tearing Instability (Reißinstabilität). Dieses Phänomen tritt auf, wenn die Magnetfeldlinien, die das Plasma einschließen, brechen und sich in unterschiedlichen Konfigurationen wieder verbinden (wodurch „magnetische Inseln" entstehen), was es der Wärme ermöglicht zu entweichen und den thermischen und kinetischen Tod der Reaktion verursacht.

Bis vor kurzem galten Reißinstabilitäten als nahezu unmöglich mit ausreichendem Vorlauf vorherzusagen. Doch im Jahr 2024 setzte ein von der Princeton University und dem Princeton Plasma Physics Laboratory (PPPL) geleitetes Wissenschaftlerteam einen Meilenstein, indem es in Nature eine grundlegende Studie veröffentlichte. Unter Verwendung von Daten des DIII-D-Reaktors des US-Energieministeriums (DOE) trainierten die Forscher ein KI-Modell, das die Mikro-Warnsignale dieser Instabilität erkennen kann.

Die Auswirkungen dieser Entdeckung sind unermesslich: Der auf Reinforcement Learning basierende KI-Controller konnte die Bildung der Reißinstabilität bis zu 300 Millisekunden vor ihrer klinischen Manifestation vorhersagen. Für die Zeitskalen der Kernfusion sind 300 Millisekunden eine Ewigkeit. Dieser zeitliche Spielraum ermöglicht es dem algorithmischen Agenten, präventiv auf die Reaktorparameter einzuwirken, die Injektionsleistung von Neutralteilchenstrahlen zu ändern und die Geometrie des Magnetfelds mikroskopisch zu verändern, um die Instabilität im Keim zu ersticken und das Plasma in einem Regime höchster Energie zu halten. Wie das DOE betonte, greift die KI nicht ein, um den Kranken zu heilen, sondern um zu verhindern, dass er die Krankheit überhaupt bekommt.

Universalität und Übertragbarkeit: Der Wechsel zwischen Reaktoren

Eine weitere titanische Herausforderung im Bereich des maschinellen Lernens in der Physik ist die Über-Spezialisierung (Overfitting). Ein Algorithmus, der darauf trainiert wurde, einen Reaktor in San Diego einwandfrei zu kontrollieren, könnte sich als völlig nutzlos erweisen, wenn er auf einen Reaktor in Europa oder Asien übertragen wird, aufgrund unmerklicher Unterschiede in der Hardware, im Sensorrauschen und in der Architektur der Magnete.

Doch auch in dieser Richtung machen die Forscher riesige Fortschritte. Im Jahr 2024 entwickelte ein Team von Princeton Engineering ein Modell des maschinellen Lernens, das darauf ausgelegt ist, lokalisierte Instabilitäten am Plasmarand zu unterdrücken, ohne die Gesamtleistung des zentralen Kerns zu beeinträchtigen. Die relevanteste Erkenntnis dieser Forschung ist der praktische Nachweis der Übertragbarkeit: Das Modell wurde erfolgreich sowohl am DIII-D-Reaktor in den Vereinigten Staaten als auch am KSTAR-Reaktor in Südkorea validiert. Diese Flexibilität zeigt, dass die neuronalen Netze die universellen Regeln der Fluiddynamik und des Plasmamagnetismus extrahieren und sich von den Besonderheiten der einzelnen Maschine lösen, um grundlegende physikalische Gesetze zu erfassen.

Der Engpass: Robustheit, Sim-to-Real und Integration

Wenn die Begeisterung über die Entdeckungen in Nature voll und ganz gerechtfertigt ist, so erfordert die ingenieurtechnische Literatur doch ein rigoroses Realitätsbad. Der Einsatz autonomer KI-Agenten in kritischen wissenschaftlichen Infrastrukturen, die Milliarden von Dollar kosten, birgt gewaltige Herausforderungen, die von einer kommerziellen Lösung weit entfernt sind.

Eine aktuelle akademische Arbeit aus dem Jahr 2024 (veröffentlicht auf HAL) hat die Anwendung des Reinforcement Learning am französischen Tokamak WEST kritisch analysiert. Die Studie hebt hervor, dass die Robustheit des Modells, seine tatsächliche Generalisierungsfähigkeit angesichts nicht simulierter physikalischer Unwägbarkeiten und der Umgang mit den intrinsischen Unsicherheiten des Plasmas nach wie vor kritische Punkte bleiben. Der Sprung von der Simulation zur realen Welt (die bereits erwähnte Sim-to-Real-Lücke) wird durch die Unvollständigkeit der aktuellen Simulatoren untergraben: Die zur Trainierung der KI verwendeten magnetohydrodynamischen Modelle sind nur mathematische Annäherungen an die Realität. Wenn der Simulator einen bestimmten quantenmechanischen oder thermischen Effekt nicht vorhersieht, wird die KI nicht wissen, wie sie damit umgehen soll. Wenn das algorithmische Modell eine „Halluzination" hat oder einen Berechnungsfehler im Millisekundenbereich macht, könnten die Magnetspulen über ihre strukturellen Grenzen hinaus belastet werden und genau die Katastrophe auslösen, die man verhindern wollte.

Darüber hinaus ist die Integration dieser fortschrittlichen Systeme in die bestehende Betriebsinfrastruktur keineswegs trivial. Das technische Dokument Enabling Integrated AI Control on DIII-D (veröffentlicht auf arXiv im Jahr 2025) untersucht die immense ingenieurtechnische Komplexität, die erforderlich ist, um neuronale Netze in Legacy-Steuerungsarchitekturen (historische und geschichtete Computersysteme) einzubetten. Der Ersatz hardwaremäßig verdrahteter Sicherheitsnetze durch statistische Algorithmen erfordert die Entwicklung neuer Zuverlässigkeitsstandards, sofortiger Fail-Safe-Protokolle und hybrider Systeme, in denen die KI in Zusammenarbeit mit klassischen Reglern agiert und stets einen deterministischen Sicherheitsspielraum wahrt.

Zusammenfassend lässt sich sagen, dass das Rennen um die Kernfusion ihr Gesicht verändert. Siebzig Jahre lang hat die Menschheit versucht, rein strukturelle Hindernisse zu überwinden: leistungsstärkere supraleitende Magnete zu bauen, Materialien, die unvorstellbaren Neutronenflüssen standhalten, und immer präzisere Laser. Heute hat sich das Paradigma dank der durch die Künstliche Intelligenz bewirkten Beschleunigung verschoben. Das Ziel ist nicht mehr nur, den perfekten Käfig für den Stern zu bauen, sondern den digitalen Geist zu entwickeln, der in der Lage ist, ihn zu steuern. Die KI schließt die Lücke zwischen theoretischer Physik und angewandter Ingenieurwissenschaft und macht die saubere und unerschöpfliche Fusionsenergie nicht länger zu einer bloßen science-fiction-Utopie, sondern zu einer berechenbaren und vielleicht bevorstehenden Perspektive.

Bibliografische Referenzen und Quellen

Artikel von der Redaktion von La Bussola dell’IA