Một hệ thống AI mới có thể “nhìn thấy” những gì các cảm biến trong lò nhiệt hạch bỏ sót, giúp ổn định plasma và tăng hiệu suất của lò phản ứng. Đột phá này có thể đưa năng lượng nhiệt hạch tiến gần hơn đến việc trở thành nguồn điện tin cậy.
Hãy tưởng tượng bạn đang xem bộ phim yêu thích thì âm thanh bỗng dưng biến mất. Dữ liệu âm thanh không còn, chỉ còn lại hình ảnh chuyển động. Giờ hãy tưởng tượng trí tuệ nhân tạo (AI) xuất hiện, phân tích từng khung hình, đọc khẩu hình, theo dõi chuyển động và lập tức tái tạo lại phần âm thanh bị mất.
Chính ý tưởng đó đang thúc đẩy sự ra đời của Diag2Diag, một công cụ AI mới được thiết kế để khôi phục thông tin bị mất về plasma — loại nhiên liệu siêu nóng cung cấp năng lượng cho phản ứng nhiệt hạch. Hệ thống này vừa được công bố trên tạp chí Nature Communications bởi nhóm nghiên cứu do Azarakhsh Jalalvand tại Đại học Princeton dẫn dắt.
“Chúng tôi đã tìm ra cách lấy dữ liệu từ nhiều cảm biến khác nhau trong cùng một hệ thống, rồi tạo ra phiên bản tổng hợp của dữ liệu cho một loại cảm biến khác,” Jalalvand giải thích. Dữ liệu tái tạo này trùng khớp với số liệu thực, thậm chí còn chi tiết hơn những gì cảm biến có thể ghi lại. Độ chi tiết bổ sung này có thể giúp việc kiểm soát plasma ổn định hơn, đồng thời giảm độ phức tạp và chi phí của các hệ thống nhiệt hạch trong tương lai.
“Diag2Diag cũng có thể được ứng dụng trong các lĩnh vực khác, như tàu vũ trụ hay phẫu thuật bằng robot — nơi cần khôi phục dữ liệu từ các cảm biến bị lỗi hoặc suy giảm, nhằm đảm bảo độ tin cậy trong môi trường khắc nghiệt.”
Dự án là kết quả hợp tác giữa Đại học Princeton, Phòng thí nghiệm Vật lý Plasma Princeton (PPPL) thuộc Bộ Năng lượng Hoa Kỳ, Đại học Chung-Ang, Đại học Columbia và Đại học Quốc gia Seoul. AI được huấn luyện và kiểm nghiệm bằng dữ liệu cảm biến từ các thí nghiệm tại Cơ sở Nhiệt hạch Quốc gia DIII-D của Bộ Năng lượng Mỹ.
Bằng cách tạo ra dữ liệu tổng hợp, Diag2Diag mở ra cách thức mới để các nhà khoa học quan sát và kiểm soát plasma bên trong thiết bị nhiệt hạch — yếu tố then chốt giúp năng lượng nhiệt hạch trở nên đáng tin cậy hơn. Jalalvand nhận định: “Hiện nay, các thiết bị nhiệt hạch đều là máy móc thí nghiệm. Nếu một cảm biến gặp sự cố, điều tệ nhất là chúng tôi mất thời gian để khởi động lại. Nhưng khi năng lượng nhiệt hạch trở thành nguồn điện thực tế, hệ thống buộc phải hoạt động 24/7, không được phép gián đoạn.”
AI có thể giúp lò nhiệt hạch nhỏ gọn và tiết kiệm hơn
Tên gọi Diag2Diag bắt nguồn từ từ “diagnostic” (chẩn đoán), dùng để chỉ các kỹ thuật và cảm biến đo đạc plasma. Các phép đo này diễn ra liên tục, nhưng nhiều cảm biến không đủ tốc độ để phát hiện những biến động nhanh của plasma — các hiện tượng bất ổn có thể khiến việc tạo ra điện trở nên kém hiệu quả.
Một trong những kỹ thuật phổ biến là tán xạ Thomson, dùng trong các hệ thống nhiệt hạch có tên là tokamak. Phép đo này xác định nhiệt độ và mật độ của các electron, nhưng không đủ nhanh để ghi nhận chi tiết các biến động cực nhỏ mà các nhà vật lý plasma cần để giữ cho plasma ổn định và đạt hiệu suất cao nhất.
“Diag2Diag giống như việc bạn nâng cấp cảm biến mà không cần tốn thêm tiền phần cứng,” nhà nghiên cứu Egemen Kolemen, đồng chủ nhiệm dự án tại PPPL và Đại học Princeton, cho biết.
Để năng lượng nhiệt hạch trở thành phần cốt lõi trong hệ thống điện của Mỹ, nó cần phải vừa hiệu quả kinh tế, vừa đáng tin cậy. Nhà khoa học SangKyeun Kim của PPPL, thành viên nhóm Diag2Diag, cho biết AI này đang giúp tiến gần hơn đến mục tiêu đó: “Các tokamak thí nghiệm hiện nay có rất nhiều cảm biến, nhưng hệ thống thương mại trong tương lai có thể phải dùng ít hơn nhiều. Điều này giúp lò phản ứng nhỏ gọn hơn, giảm chi phí và rủi ro vận hành, đồng thời tiết kiệm không gian và chi phí bảo trì.”
Nhóm nghiên cứu hiện đang mở rộng phạm vi ứng dụng của Diag2Diag. Kolemen cho biết nhiều nhà khoa học khác đã bày tỏ mong muốn thử nghiệm AI này: “Diag2Diag có thể áp dụng cho các phép đo nhiệt hạch khác, và thậm chí cho nhiều lĩnh vực nơi dữ liệu cảm biến bị thiếu hoặc hạn chế.”
Minh họa mô tả dữ liệu từ các cảm biến được phân tích bằng phần mềm trí tuệ nhân tạo. Ảnh: Đại học Princeton
