Voordat wetenschappers fusie-energie effectief kunnen opvangen en inzetten, ze moeten leren grote verstoringen te voorspellen die fusiereacties kunnen stoppen en de wanden van donutvormige fusie-apparaten, tokamaks genaamd, kunnen beschadigen. Tijdig voorspellen van verstoringen, het plotselinge verlies van controle over de hete, geladen plasma dat de reacties voedt, van vitaal belang zijn om stappen te ondernemen om dergelijke grootschalige gebeurtenissen te voorkomen of te beperken.

Vandaag, onderzoekers van het Princeton Plasma Physics Laboratory (PPPL) en Princeton University van het Amerikaanse Department of Energy (DOE) en Princeton University gebruiken kunstmatige intelligentie om het voorspellend vermogen te verbeteren. Onderzoekers onder leiding van William Tang, een PPPL-fysicus en een docent met de rang en titel van professor aan de Princeton University, ontwikkelen de code voor voorspellingen voor ITER, het internationale experiment in aanbouw in Frankrijk om de bruikbaarheid van fusie-energie aan te tonen.

Vorm van "diep leren"

De nieuwe voorspellende software, genaamd de Fusion Recurrent Neural Network (FRNN) code, is een vorm van "deep learning" - een nieuwere en krachtigere versie van moderne machine learning-software, een toepassing van kunstmatige intelligentie. "Deep learning vertegenwoordigt een opwindende nieuwe weg naar de voorspelling van verstoringen, Tang zei. "Deze mogelijkheid kan nu multidimensionale gegevens verwerken."

FRNN is een deep-learning architectuur die bewezen heeft de beste manier te zijn om sequentiële data met lange-afstandspatronen te analyseren. Leden van het machine-learningteam van PPPL en Princeton University zijn de eersten die systematisch een diepgaande leerbenadering toepassen op het probleem van het voorspellen van verstoringen in tokamak-fusieplasma's.

Hoofdarchitect van FRNN is Julian Kates-Harbeck, een afgestudeerde student aan de Harvard University en een DOE-Office of Science Computational Science Graduate Fellow. Gebruikmakend van expertise die is opgedaan tijdens het behalen van een master in computerwetenschappen aan de Stanford University, hij heeft de bouw van de FRNN-software geleid.

Nauwkeurigere voorspellingen

Met behulp van deze aanpak, het team heeft aangetoond dat het in staat is om verstorende gebeurtenissen nauwkeuriger te voorspellen dan eerdere methoden hebben gedaan. Door te putten uit de enorme database in de Joint European Torus (JET)-faciliteit in het Verenigd Koninkrijk - de grootste en krachtigste tokamak die in bedrijf is - hebben de onderzoekers de voorspellingen van verstoringen aanzienlijk verbeterd en het aantal valse positieve alarmen verminderd. EUROfusie, het Europees consortium voor de ontwikkeling van fusie-energie, beheert JET-onderzoek.

Het team wil nu de uitdagende doelen bereiken die ITER vereist. Deze omvatten het produceren van 95 procent correcte voorspellingen wanneer verstoringen optreden, terwijl er minder dan 3 procent valse alarmen worden gegeven als er geen storingen zijn. "Op de onderzochte testdatasets, de FRNN heeft de curve voor het voorspellen van echte positieven verbeterd en tegelijkertijd valse positieven verminderd, " zei Eliot Feibush, een computationele wetenschapper bij PPPL, verwijzend naar de zogenaamde "Receiver Operating Characteristic"-curve die gewoonlijk wordt gebruikt om de nauwkeurigheid van machine learning te meten. "We werken eraan om meer trainingsgegevens binnen te halen om het nog beter te doen."

Veeleisend

Het proces is veeleisend. "Het trainen van diepe neurale netwerken is een rekenintensieve taak die de inzet van krachtige computerhardware vereist, " zei Alexey Svyatkovskiy, een big data-onderzoeker van Princeton University. "Daarom is een groot deel van wat we doen het ontwikkelen en distribueren van nieuwe algoritmen over veel processors om zeer efficiënte parallelle computing te bereiken. Dergelijke computing zal de toenemende omvang van problemen aankunnen die worden ontleend aan de disruptieve database van JET en andere tokamaks. "

De deep learning-code draait op grafische verwerkingseenheden (GPU's) die duizenden exemplaren van een programma tegelijk kunnen berekenen, veel meer dan oudere centrale verwerkingseenheden (CPU's). Tests uitgevoerd op moderne GPU-clusters, en op machines van wereldklasse zoals Titan, momenteel de snelste en krachtigste Amerikaanse supercomputer bij de Oak Ridge Leadership Computing Facility, een DOE Office of Science User Facility in het Oak Ridge National Laboratory, hebben een uitstekende lineaire schaling aangetoond. Een dergelijke schaling vermindert de rekentijd in directe verhouding tot het aantal gebruikte GPU's - een belangrijke vereiste voor efficiënte parallelle verwerking.

Tijgercluster van Princeton

Het Tiger-cluster van moderne GPU's van Princeton University was de eerste die deep learning-tests uitvoerde. het gebruik van FRNN om het verbeterde vermogen aan te tonen om fusieverstoringen te voorspellen. De code draait sindsdien op Titan en andere toonaangevende GPU-clusters voor supercomputing in de Verenigde Staten, Europa en Azië, en bleven uitstekende schaalbaarheid vertonen met het aantal betrokken GPU's.

Vooruit gaan, de onderzoekers willen aantonen dat deze krachtige voorspellende software kan draaien op tokamaks over de hele wereld en uiteindelijk op ITER. Ook gepland is een verbetering van de snelheid van de analyse van verstoringen voor de toenemende probleemomvang die gepaard gaat met de grotere datasets voorafgaand aan het begin van een verstorende gebeurtenis. Ondersteuning voor dit project is tot op heden voornamelijk afkomstig van de fondsen voor laboratoriumgericht onderzoek en ontwikkeling die door PPPL worden verstrekt.