Kunstmatige intelligentie (AI), een tak van informatica die wetenschappelijk onderzoek en de industrie transformeert, zou nu de ontwikkeling van veilige, schone en vrijwel onbeperkte fusie-energie voor de opwekking van elektriciteit. Een belangrijke stap in deze richting is aan de gang bij het Princeton Plasma Physics Laboratory (PPPL) van het Amerikaanse Department of Energy (DOE) en de Princeton University, waar een team van wetenschappers dat samenwerkt met een afgestudeerde student van Harvard voor het eerst deep learning toepast - een krachtige nieuwe versie van de machine learning-vorm van AI - om plotselinge verstoringen te voorspellen die fusiereacties kunnen stoppen en de donutvormige tokamaks die in huis zijn, kunnen beschadigen de reacties.

Veelbelovend nieuw hoofdstuk in fusieonderzoek

"Dit onderzoek opent een veelbelovend nieuw hoofdstuk in de poging om onbeperkte energie naar de aarde te brengen, "Steve Cowley, directeur van PPPL, zei over de bevindingen, die worden gerapporteerd in het huidige nummer van Natuur tijdschrift. "Kunstmatige intelligentie explodeert in de wetenschap en begint nu bij te dragen aan de wereldwijde zoektocht naar fusie-energie."

Fusie, die de zon en de sterren drijft, is het samensmelten van lichte elementen in de vorm van plasma - het hete, geladen toestand van materie bestaande uit vrije elektronen en atoomkernen - die energie genereert. Wetenschappers proberen fusie op aarde na te bootsen voor een overvloedige stroomvoorziening voor de productie van elektriciteit.

Cruciaal voor het aantonen van het vermogen van deep learning om verstoringen te voorspellen - het plotselinge verlies van opsluiting van plasmadeeltjes en energie - is toegang geweest tot enorme databases die worden geleverd door twee grote fusiefaciliteiten:de DIII-D National Fusion Facility die General Atomics exploiteert voor de DOE in Californië, de grootste vestiging in de Verenigde Staten, en de Joint European Torus (JET) in het Verenigd Koninkrijk, de grootste vestiging ter wereld, die wordt beheerd door EUROfusion, het Europees Consortium voor de ontwikkeling van fusie-energie. Ondersteuning van wetenschappers van JET en DIII-D was essentieel voor dit werk.

De enorme databases hebben betrouwbare voorspellingen mogelijk gemaakt van verstoringen op andere tokamaks dan die waarop het systeem was getraind - in dit geval van de kleinere DIII-D tot de grotere JET. De prestatie belooft veel goeds voor de voorspelling van verstoringen op ITER, een veel grotere en krachtigere tokamak die de verworvenheden van de huidige fusiefaciliteiten zal moeten toepassen.

De deep learning-code, het Fusion Recurrent Neural Network (FRNN) genoemd, opent ook mogelijke wegen voor het beheersen en voorspellen van verstoringen.

Meest intrigerende gebied van wetenschappelijke groei

"Kunstmatige intelligentie is momenteel het meest intrigerende gebied van wetenschappelijke groei, en om het te laten trouwen met fusiewetenschap is erg opwindend, " zei Bill Tang, een hoofdonderzoeksfysicus bij PPPL, co-auteur van de paper en docent met de rang en titel van professor aan de Princeton University Department of Astrophysical Sciences die toezicht houdt op het AI-project. "We hebben het vermogen versneld om met hoge nauwkeurigheid de gevaarlijkste uitdaging voor het zuiveren van fusie-energie te voorspellen."

In tegenstelling tot traditionele software, die de voorgeschreven instructies uitvoert, deep learning leert van zijn fouten. Het bereiken van deze schijnbare magie zijn neurale netwerken, lagen van onderling verbonden knooppunten - wiskundige algoritmen - die "geparametriseerd, " of gewogen door het programma om de gewenste uitvoer vorm te geven. Voor elke gegeven invoer proberen de knooppunten een gespecificeerde uitvoer te produceren, zoals correcte identificatie van een gezicht of nauwkeurige voorspellingen van een verstoring. De training begint wanneer een node deze taak niet volbrengt:de gewichten passen zich automatisch aan voor nieuwe gegevens totdat de juiste output is verkregen.

Een belangrijk kenmerk van deep learning is het vermogen om hoogdimensionale in plaats van eendimensionale gegevens vast te leggen. Bijvoorbeeld, terwijl niet-deep learning-software de temperatuur van een plasma op een enkel moment in de tijd zou kunnen overwegen, de FRNN beschouwt profielen van de temperatuurontwikkeling in tijd en ruimte. "Het vermogen van deep learning-methoden om van dergelijke complexe gegevens te leren, maakt ze een ideale kandidaat voor het voorspellen van verstoringen, " zei medewerker Julian Kates-Harbeck, een afgestudeerde natuurkundestudent aan de Harvard University en een DOE-Office of Science Computational Science Graduate Fellow die hoofdauteur was van de Nature-paper en hoofdarchitect van de code.

Het trainen en uitvoeren van neurale netwerken is afhankelijk van grafische verwerkingseenheden (GPU's), computerchips die voor het eerst werden ontworpen om 3D-beelden weer te geven. Dergelijke chips zijn bij uitstek geschikt voor het uitvoeren van deep learning-toepassingen en worden veel gebruikt door bedrijven om AI-mogelijkheden te produceren, zoals het begrijpen van gesproken taal en het observeren van de wegomstandigheden door zelfrijdende auto's.

Kates-Harbeck trainde de FRNN-code op meer dan twee terabyte (1012) aan gegevens verzameld van JET en DIII-D. Na het uitvoeren van de software op de Tiger-cluster van moderne GPU's van Princeton University, het team plaatste het op Titan, een supercomputer bij de Oak Ridge Leadership Computing Facility, een DOE Office of Science gebruikersfaciliteit, en andere krachtige machines.

Een veeleisende taak

Het distribueren van het netwerk over veel computers was een veeleisende taak. "Het trainen van diepe neurale netwerken is een rekenintensief probleem dat de inzet van krachtige computerclusters vereist, " zei Alexey Svyatkovskiy, een co-auteur van de Nature-paper die heeft geholpen de algoritmen om te zetten in een productiecode en nu bij Microsoft werkt. "We plaatsen een kopie van ons hele neurale netwerk over veel processors om zeer efficiënte parallelle verwerking te bereiken, " hij zei.

De software heeft verder aangetoond dat het echte verstoringen kan voorspellen binnen het tijdsbestek van 30 milliseconden dat ITER nodig heeft, terwijl het aantal valse alarmen wordt verminderd. De code komt nu in de buurt van de ITER-vereiste van 95 procent correcte voorspellingen met minder dan 3 procent valse alarmen. Hoewel de onderzoekers zeggen dat alleen live experimentele operaties de verdiensten van een voorspellende methode kunnen aantonen, hun paper merkt op dat de grote archiefdatabases die bij de voorspellingen werden gebruikt, "bestrijken een breed scala aan operationele scenario's en leveren dus significant bewijs voor de relatieve sterke punten van de methoden die in dit document worden overwogen."

Van voorspelling naar controle

De volgende stap is om van voorspelling over te gaan naar beheersing van verstoringen. "In plaats van verstoringen op het laatste moment te voorspellen en vervolgens te mitigeren, we zouden idealiter toekomstige deep learning-modellen gebruiken om het plasma voorzichtig weg te leiden van regio's van instabiliteit met als doel de meeste verstoringen in de eerste plaats te vermijden, " zei Kates-Harbeck. De volgende stap wordt benadrukt door Michael Zarnstorff, die onlangs is overgestapt van adjunct-directeur voor onderzoek bij PPPL naar chief science officer voor het laboratorium. "Controle zal essentieel zijn voor tokamaks na ITER, waarbij het vermijden van verstoringen een essentiële vereiste zal zijn, ' merkte Zarnstorff op.

Vooruitgang van AI-enabled nauwkeurige voorspellingen naar realistische plasmacontrole zal meer dan één discipline vereisen. "We zullen deep learning combineren met basis, eerste-principe natuurkunde op krachtige computers om in te zoomen op realistische controlemechanismen in brandende plasma's, "zei Tang. "Door controle, één betekent weten welke 'knoppen je moet draaien' op een tokamak om de omstandigheden te veranderen om verstoringen te voorkomen. Dat is in het vizier en daar gaan we naar toe."