KI sagt Kernfusion voraus: Schub für saubere Energie

Künstliche Intelligenz verbessert die Suche nach der Kernfusion dramatisch, wenn auch vielleicht nicht auf die Art und Weise, wie man es sich zunächst vorstellen mag. Eine neue, in Science veröffentlichte Studie beschreibt, wie Wissenschaftler des Lawrence Livermore National Laboratory (LLNL) ein Deep-Learning-Modell entwickelt haben, das in der Lage ist, die Ergebnisse komplexer Fusionsversuche an der National Ignition Facility (NIF) genau vorherzusagen. Dieses bahnbrechende Modell, das einem spezifischen Experiment aus dem Jahr 2022 eine 74%ige Wahrscheinlichkeit der Zündung zuwies, übertrifft herkömmliche Supercomputing-Methoden erheblich, indem es eine breitere Palette von Parametern mit größerer Präzision bewertet.

Kelli Humbird, Leiterin der Cognitive Simulation Group im Inertial Confinement Fusion Program des NIF und Mitautorin der Studie, betonte den strategischen Wert des Modells. „Was uns an diesem Modell begeistert, ist die Fähigkeit, explizit Entscheidungen für zukünftige Experimente zu treffen, die unsere Erfolgswahrscheinlichkeit jedes Mal maximieren“, erklärte sie. Trotz seiner immensen Größe und Komplexität kann das NIF jedes Jahr nur eine begrenzte Anzahl von „Zündversuchen“ durchführen – typischerweise ein paar Dutzend – was jedes Experiment für den Fortschritt auf diesem Gebiet von entscheidender Bedeutung macht.

Das übergeordnete Ziel der Kernfusionsforschung ist die Nutzung einer sauberen, nahezu unbegrenzten Energiequelle. Im Gegensatz zu heutigen Kernkraftwerken, die auf Spaltung – der Trennung schwerer Atome wie Uran – basieren, kombiniert die Fusion leichte Wasserstoffatome, um kolossale Energiemengen freizusetzen. Dieser Prozess bietet erhebliche Vorteile: Er erzeugt weitaus mehr Energie und keine schädlichen, langlebigen radioaktiven Nebenprodukte, was ihn zu einem idealen Kandidaten für eine nachhaltige Energiezukunft macht. Obwohl vielversprechende Fortschritte erzielt wurden, ist sich der wissenschaftliche Konsens einig, dass kommerzielle Kernfusion eine ferne Aussicht bleibt.

Die Fusionsversuche des NIF nutzen einen lasergesteuerten Ansatz. Leistungsstarke Laser erhitzen einen winzigen Goldzylinder, einen sogenannten Hohlraum, wodurch dieser intensive Röntgenstrahlen aussendet. Diese Röntgenstrahlen komprimieren dann Brennstoffpellets, die Deuterium und Tritium, zwei Wasserstoffisotope, enthalten. Das ultimative Ziel ist es, genügend Fusionsreaktionen auszulösen, damit der Prozess mehr Energie liefert, als die Laser ursprünglich verbraucht haben – ein Zustand, der als Zündung bekannt ist. Die Vorhersage der komplizierten Physik dieses Prozesses hat sich jedoch als außergewöhnlich schwierig erwiesen. Traditionelle Computersimulationen, die oft vereinfacht werden, um „rechentechnisch handhabbar“ (für die Verarbeitung beherrschbar) zu bleiben, können Fehler einführen und benötigen immer noch Tage, um ihre Läufe abzuschließen.

Humbird vergleicht die Suche nach der Kernfusion mit dem Besteigen eines hohen, unerforschten Berges. Die bestehenden Computersimulationen dienen als „unvollkommene Karte“, die Forscher leiten könnte, aber diese Karte selbst könnte Fehler enthalten, unabhängig vom Forschungsdesign. Mit begrenzten Möglichkeiten für „Wanderungen“ (Zündversuche), die jeweils einen erheblichen Budgetaufwand darstellen, stehen Forscher unter immensem Druck, schnelle, fundierte Entscheidungen über ihre experimentelle Einrichtung und Werkzeuge zu treffen.

Um diese Hürden zu überwinden, begab sich Humbirds Team auf eine monumentale „Kartenmacher-Mission“. Sie stellten akribisch einen umfassenden Datensatz zusammen, indem sie zuvor gesammelte NIF-Experimentaldaten, hochpräzise physikalische Simulationen und unschätzbare Erkenntnisse von Fachexperten integrierten. Dieser riesige Datensatz wurde dann in modernste Supercomputer eingespeist, die eine statistische Analyse durchführten, die über 30 Millionen CPU-Stunden – Millionen von Stunden Verarbeitungszeit – verbrauchte. Diese rigorose Analyse ermöglichte es dem Team, eine „Verteilung der Dinge, die schiefgehen“ am NIF zu identifizieren, die alles von leichten Laserfehlzündungen bis hin zu subtilen Defekten im Ziel selbst umfasste.

Das daraus resultierende KI-Modell ermöglicht es Forschern, die Wirksamkeit ihrer experimentellen Designs präventiv zu bewerten, was zu erheblichen Zeit- und Geldeinsparungen führt. Humbird selbst nutzte das Modell, um ein Experiment aus dem Jahr 2022 zu bewerten, und es sagte das Ergebnis dieses spezifischen Laufs genau voraus. Entscheidend ist, dass nachfolgende Verfeinerungen des physikalischen Verständnisses des Modells seine Vorhersagegenauigkeit von 50 % auf beeindruckende 70 % weiter steigerten. Für Humbird liegt die Stärke des Modells in seiner Fähigkeit, die der realen Welt innewohnenden Unvollkommenheiten anzuerkennen und sogar zu replizieren – sei es ein Instrumentenfehler, eine Designbeschränkung oder eine unvorhersehbare Eigenart der Natur.

Während schneller Fortschritt aufregend ist, erinnert das Modell daran, dass wissenschaftliche Bemühungen oft Geduld erfordern und unweigerlich Rückschläge erleiden werden. „Die Menschen arbeiten seit Jahrzehnten an der Fusion… Wir sollten nicht so enttäuscht sein, wenn Dinge nicht funktionieren“, reflektierte Humbird. Sie hob die bereits erzielten bemerkenswerten Fortschritte hervor und bemerkte, dass eine Ausbeute von 1 Megajoule, obwohl weniger als die idealen 2 Megajoule, ein massiver Sprung nach vorn gegenüber den vor nicht allzu langer Zeit erreichten 10 Kilojoule ist. Dieser inkrementelle, aber bedeutende Fortschritt stellt einen riesigen Schritt für die Forschung und, hoffentlich, einen entscheidenden Schritt in Richtung sauberer Energie in der Zukunft dar.