AIが核融合を操る力を獲得した。でも大丈夫、これは朗報だ

とある研究グループが、核融合研究に使用される高出力のプラズマ流を磁気的に扱う方法をAIに教えた……おっと、慌てないで欲しい。慌てて手にした電磁パルス砲やドライバーはしまい込んでも大丈夫だ。これは間違いなく良い成果で、来るべきロボカリプスで人類に対して使用される恐ろしい武器ではない。

このプロジェクトは、Google（グーグル）のDeepMind（ディープマインド）とローザンヌ工科大学（EPFL）の共同プロジェクトであり、数年前に前者のAI研究者と後者の融合研究者がロンドンのハッカソンで出会ったときに始まった。そのときEPFLのFederico Felici（フェデリコ・フェリーシ）氏は、彼の研究室がトカマクのプラズマ維持に関して抱えていた問題について説明した。

何気ない日常的な愚痴に過ぎない。しかし、それがDeepMindの琴線に触れて、両者は仕事を始めた。

核融合の研究にはさまざまな方法があるが、いずれも数億度という非常に高い温度で形成されるプラズマを利用している。危険そうに聞こえるし、実際にもそうなのだが、トカマクはそれを制御し、内部で起こっている核融合活動の詳細な観察を可能にする1つの方法なのだ。トカマクは基本的にはトーラス（ドーナツ）のような形をしていて、その中を加熱したプラズマが円を描くように移動するが、その経路は磁場によって慎重に制限されている。

誤解のないように言っておくと、これはクリーンなエネルギーを無限に供給するという噂の核融合炉ではない。エネルギーを生産するわけでもないし、もし突然起動したら近くにいてはいけない。これは、不安定だが将来性のあるこれらのプロセスがどのように制御でき、有用な目的にどのように利用できるのかを、テストし観察するための研究ツールなのだ。

特に、スイスプラズマセンターの「可変構成型」トカマクは、単にリング状にプラズマを閉じ込めるだけでなく、研究者がその形状や経路を制御することができる。1秒間に磁気パラメータを何千回も調整して、リングの幅を広げたり、薄くしたり、高密度にしたり、希薄化させたりと、リングの品質に影響を与えるあらゆる要素を調整できる。

機械の磁場の詳細な設定は、当然ながら事前に決めておかなければならない。設定方法を間違った場合には、大きな損害を被る可能性があるからだ。この設定は、チームが長年にわたって改良してきたトカマクとプラズマの強力なシミュレーターを使って行われる。しかし、フェリーシ氏はEPFLのニュースリリースでこう説明している。「制御システムの各変数の正しい値を決定するには、今でも長時間の計算が必要です。それこそが、DeepMindとの共同研究プロジェクトの出番となる場所なのです」。

このチームは、まず機械学習システムに、ある設定がどのようなプラズマパターンを生み出すかを予測するように学習させ、次に望ましいプラズマパターンから逆算して、それを生み出す設定を特定した（と簡単そうに書いたが、このようなAIアプリケーションにありがちなこととして、実際の実現は相当大変だった）。

米国時間2月16日発行のNature（ネイチャー）に掲載された論文によれば、このアプローチは大成功を収めたという。

今回のアーキテクチャは、高いレベルで指定された制御目標を満たすと同時に、物理的および運用上の制約を満たしているのだ。このアプローチは、問題の仕様記述に対してこれまでにない柔軟性と汎用性があり、新しいプラズマ設定を生み出すための設計工数を大幅に削減できるという：私たちはこのTokamak à Configuration Variable（構成可変型トカマク）を使うことで、従来の細長い形状に加えて、負三角（negative triangularity）や「スノーフレーク」（snowflake）などの高度な形状を含む、多様なプラズマ形状の生成と制御に成功している。

以下にこのモデルが作り出せたさまざまな形状や構成の例を紹介する。

これは重要な研究だ、なぜならこのようなプラズマを使って実験するには、電力が必要なのはもちろん、非常に多く（数百万単位だ考えて欲しい）の微調整が必要であり 、すべてを手動で構成することはできないからだ。例えばある理論が2つのストリームを必要とし、一方が他方より22％大きい場合、それを生成するための理論的な設定を「従来の」手法（ご想像の通り、これもすでに非常に複雑なデジタルシミュレーションだ）を利用して案出するには、数週間または数カ月かかることがある。しかし、AIはそれに比べるとほんのわずかな時間で良い組み合わせを見つけ出し、その場で解決策を生み出したり、人間の監査役に有力な作業の出発点を与えたりすることができる。

また、安全面でも重要な意味を持つ。というのも、人間は1～2秒の間に異常を封じ込められるような設定を、即興では行えないからだ。しかし、AIならばリアルタイムに設定を変更して損傷を防ぐことができるかもしれない。

DeepMindの研究者であるMartin Riedmiller（マーティン・リードミラー）氏は、これが「初期の段階」であることを認めているが、もちろんそれは科学におけるほぼすべてのAIアプリケーション全体に言えることだ。機械学習は、数え切れないほどの学問分野で、強力で汎用性のあるツールであることが証明されつつある。しかし、優れた科学者のように、彼らはすべての成功を鵜呑みにせず、その先のより自信を持てる結果を待ち望んでいるのだ。

画像クレジット：DeepMind & SPC/EPFL

［原文へ］

（文：Devin Coldewey、翻訳：sako）