machinaal leren, waarmee onderzoekers kunnen bepalen of twee processen causaal met elkaar zijn verbonden zonder te onthullen hoe, zou kunnen helpen het plasma te stabiliseren in donutvormige fusie-apparaten die bekend staan ​​​​als tokamaks. Dergelijk leren kan het vermijden van verstoringen vergemakkelijken - niet-normale gebeurtenissen in tokamak-plasma's die kunnen leiden tot zeer snel verlies van de opgeslagen thermische en magnetische energieën en de integriteit van de machine bedreigen. Een paper van afgestudeerde student Matthew Parsons, gepubliceerd in juni in het tijdschrift Plasmafysica en gecontroleerde fusie beschrijft de toepassing van het leren om verstoringen te voorkomen, die cruciaal zullen zijn om de levensduur van toekomstige grote tokamaks te verzekeren.

Parsons begon onderzoek naar dit onderwerp aan het Princeton Plasma Physics Laboratory (PPPL) van het Amerikaanse Department of Energy (DOE) als lid van het DOE's Science Undergraduate Laboratory Internships (SULI) -programma. Hij werkte samen met PPPL-wetenschappers William Tang en Eliot Feibush als SULI-stagiair in de zomers van 2014 en 2015, en vervolgens als tijdelijke PPPL-medewerker in 2016. "De plasmafysica-gemeenschap is erg geïnteresseerd in het identificeren van meer classifiers om instabiliteiten en verstoringen te bestuderen, " zei Feibush. "Matt is bij uitstek gekwalificeerd om aan dit belangrijke onderwerp te werken."

Parsons ontwikkelde nieuwe manieren om zijn PPPL-onderzoek toe te passen als Fulbright-begunstigde bij ITER, de internationale tokamak in aanbouw in Frankrijk, van september 2016 tot en met april 2017 en baseerde de paper op zijn werk daar. Hij is momenteel ingeschreven voor het doctoraatsprogramma aan de Universiteit van Illinois in Urbana-Champaign

"Als je machine learning gebruikt, " Parsons zei, "je beschouwt de modellen die door het computerprogramma worden geproduceerd als zwarte dozen - je stopt er iets in en haalt er dan iets uit, maar weet niet altijd hoe de output gerelateerd is aan wat je erin stopt. Die zwarte doos maak ik wat transparanter."

De black box hoeft de mechanismen achter causale verbanden niet bloot te leggen. Bijvoorbeeld, een persoon kan honderden onweersbuien waarnemen en waarnemen dat bliksem de neiging heeft om aan de donder vooraf te gaan. Die persoon zou kunnen concluderen dat de donder opnieuw zal volgen op de bliksem tijdens een toekomstige storm. Maar die gevolgtrekking bevat geen informatie over hoe, precies, licht en donder zijn verwant.

Natuurkundigen kunnen machine learning gebruiken om het gedrag van plasma te analyseren, de hete soep van elektronen en geladen atoomkernen bijeengedreven door magnetische velden in tokamaks. Door gegevens van eerdere experimenten in te voeren in een machine-learningprogramma, wetenschappers kunnen leren welk plasmagedrag aan verstoringen voorafgaat. Ze kunnen dan een systeem bouwen dat het plasma controleert op tekenen van die voorlopers van verstoringen, in theorie geven de wetenschappers de tijd om het plasma naar stabiliteit te sturen.

"Een ding dat me echt opwindt over de analysetechniek die ik voorstel, is dat het eigenlijk vrij eenvoudig is en vrij gemakkelijk kan worden geïmplementeerd door iedereen die deze machine learning-modellen ontwikkelt, "zegt Parsons. "Het enige wat je hoeft te doen is de numerieke uitvoer van het voorspellingsmodel te nemen, die in zekere zin beschrijft hoe dicht u bij een verstoring bent, verander uw invoer met een kleine stap, en vergelijk de nieuwe output met de originele output. Hoe kleiner de verandering, hoe stabieler de plasmaontlading is ten opzichte van de inputvariabelen. Dat is echt de kern van wat ik voorstel."

Hoewel black-box-modellen door de natuurkundige gemeenschap worden gemeden, Parsons houdt vol dat ze van dienst kunnen zijn. "Als natuurkundigen, de manier waarop we naar problemen kijken, is proberen de relatie te begrijpen tussen wat er in je model gaat en wat eruit komt, "zegt hij. "Het is natuurlijk, dan, dat wanneer we deze black-box-modellen zien, we denken dat dit niet iets is waar we mee te maken willen hebben, omdat we niet begrijpen wat er aan de hand is."

Echter, "Veel van de problemen waarmee we bij fusie worden geconfronteerd, zijn erg technisch, en als we met behulp van machine learning tot enkele van de oplossingen zouden kunnen komen, Ik denk dat het verstandig is om alle opties te onderzoeken en sommige niet uit te sluiten alleen omdat ze anders zijn dan onze training."