Wetenschap
Fast-camera foto van een plasma geproduceerd door de eerste NSTX-U operaties campagne. Krediet:NSTX-U-experiment
machinaal leren (ML), een vorm van kunstmatige intelligentie die gezichten herkent, begrijpt taal en navigeert zelfrijdende auto's, kan helpen de schone fusie-energie naar de aarde te brengen die de zon en de sterren verlicht. Onderzoekers van het Princeton Plasma Physics Laboratory (PPPL) van het Amerikaanse Department of Energy (DOE) gebruiken ML om een model te creëren voor snelle controle van plasma - de toestand van materie bestaande uit vrije elektronen en atoomkernen, of ionen - die fusiereacties voeden.
De zon en de meeste sterren zijn gigantische plasmaballen die constante fusiereacties ondergaan. Hier op aarde, wetenschappers moeten het plasma verhitten en beheersen om de deeltjes te laten samensmelten en hun energie vrij te geven. PPPL-onderzoek toont aan dat ML dergelijke controle kan vergemakkelijken.
Neurale netwerken
Onderzoekers onder leiding van PPPL-fysicus Dan Boyer hebben neurale netwerken - de kern van ML-software - getraind op gegevens die zijn geproduceerd in de eerste operationele campagne van de National Spherical Torus Experiment-Upgrade (NSTX-U), de vlaggenschip fusie-installatie, of tokamak, bij PPPL. Het getrainde model reproduceert nauwkeurig voorspellingen van het gedrag van de energetische deeltjes die worden geproduceerd door krachtige neutrale bundelinjectie (NBI) die wordt gebruikt om NSTX-U-plasma's van brandstof te voorzien en ze te verwarmen tot een miljoen graden, fusie-relevante temperaturen.
Deze voorspellingen worden normaal gesproken gegenereerd door een complexe computercode genaamd NUBEAM, die informatie bevat over de impact van de bundel op het plasma. Dergelijke complexe berekeningen moeten honderden keren per seconde worden gemaakt om het gedrag van het plasma tijdens een experiment te analyseren. Maar elke berekening kan enkele minuten duren, de resultaten pas beschikbaar maken voor natuurkundigen nadat een experiment dat meestal een paar seconden duurt, is voltooid.
De nieuwe ML-software vermindert de tijd die nodig is om het gedrag van energetische deeltjes nauwkeurig te voorspellen tot minder dan 150 microseconden, waardoor de berekeningen tijdens het experiment online kunnen worden uitgevoerd.
De eerste toepassing van het model toonde een techniek aan voor het schatten van karakteristieken van het plasmagedrag dat niet direct gemeten werd. Deze techniek combineert ML-voorspellingen met de beperkte metingen van plasmacondities die in realtime beschikbaar zijn. De gecombineerde resultaten zullen het realtime plasmacontrolesysteem helpen om beter geïnformeerde beslissingen te nemen over hoe de bundelinjectie moet worden aangepast om de prestaties te optimaliseren en de stabiliteit van het plasma te behouden - een cruciale kwaliteit voor fusiereacties.
Snelle evaluaties
De snelle evaluaties zullen operators ook helpen om beter geïnformeerde aanpassingen te maken tussen experimenten die elke 15-20 minuten tijdens operaties worden uitgevoerd. "Versnelde modelleringsmogelijkheden kunnen operators laten zien hoe ze NBI-instellingen kunnen aanpassen om het volgende experiment te verbeteren, " zei Boyer, hoofdauteur van een paper in Nuclear Fusion waarin het nieuwe model wordt gerapporteerd.
jongen, werken met PPPL-fysicus Stan Kaye, genereerde een database met NUBEAM-berekeningen voor een reeks plasma-omstandigheden die vergelijkbaar zijn met die bereikt in experimenten tijdens de eerste NSTX-U-run. Onderzoekers gebruikten de database om een neuraal netwerk te trainen om de effecten van neutrale stralen op het plasma te voorspellen. zoals verwarming en profielen van de stroom. Software-ingenieur Keith Erickson implementeerde vervolgens software voor het evalueren van het model op computers die werden gebruikt om het experiment actief te besturen om de rekentijd te testen.
Nieuw werk omvat de ontwikkeling van neurale netwerkmodellen die zijn afgestemd op de geplande omstandigheden van toekomstige NSTX-U-campagnes en andere fusiefaciliteiten. In aanvulling, onderzoekers zijn van plan de huidige modelleringsaanpak uit te breiden om versnelde voorspellingen van andere fusieplasmafenomenen mogelijk te maken.
Berekening van het percentage terugwinning van een product
Wetenschap © https://nl.scienceaq.com