Machine learning technieken, vooral bekend door het leren van zelfrijdende auto's om te stoppen voor rode lichten, kan binnenkort onderzoekers over de hele wereld helpen hun controle te verbeteren over de meest gecompliceerde reactie die de wetenschap kent:kernfusie.

Fusiereacties zijn meestal waterstofatomen die worden verwarmd om een ​​gaswolk te vormen, een plasma genaamd, die energie vrijgeeft wanneer de deeltjes tegen elkaar botsen en samensmelten. Door deze reacties beter onder controle te krijgen, kunnen enorme hoeveelheden milieuvriendelijke energie worden gegenereerd uit kernreactoren in fusiecentrales van de toekomst.

"Het verband tussen machine learning en fusie-energie is niet duidelijk, " zei Sandia National Laboratories-onderzoeker Aidan Thompson, hoofdonderzoeker voor een driejarige Department of Energy Office of Science-prijs van $ 2,2 miljoen per jaar om dat verband te leggen. "Simpel gezegd, we hebben een pioniersrol gespeeld in het gebruik van machine learning om simulaties van het materiaal van de reactorwand te verbeteren terwijl het in wisselwerking staat met plasma. Dit viel buiten het bestek van simulaties op atomaire schaal uit het verleden."

Het verwachte resultaat zou procedurele of structurele wijzigingen moeten suggereren om de output van kernenergie te verbeteren, hij zei.

Kracht van machine learning bij het modelleren van kernfusie

Machine learning is krachtig omdat het wiskundige en statistische middelen gebruikt om een ​​situatie te achterhalen, in plaats van elk stukje gegevens in de gewenste categorie te analyseren. Bijvoorbeeld, er zijn slechts een klein aantal hondenfoto's nodig om een ​​herkenningssysteem het concept "hondje" te leren, met andere woorden, "dit is een hond" - in plaats van elke bestaande hondenfoto te scannen.

Sandia's machinale leerbenadering van kernfusie is hetzelfde, maar ingewikkelder.

"Het is geen triviaal probleem om fysiek te observeren wat er binnen de muren van een reactor gebeurt, aangezien deze structuren intern worden gebombardeerd met waterstof, helium, deuterium en tritium als delen van een oververhit plasma, ' zei Thompson.

Hij beschreef componenten van het cirkelende plasma die de samenstelling van de steunmuren raakten en veranderden en zware atomen die losraakten van de geraakte muren en het plasma veranderden. Reacties vinden plaats in nanoseconden bij temperaturen zo heet als de zon. Het is buitengewoon arbeidsintensief om met vallen en opstaan ​​onderdelen aan te passen om de resultaten te verbeteren.

Machine learning-algoritmen, anderzijds, gebruik computergegenereerde gegevens zonder directe metingen van experimenten en kan informatie opleveren die uiteindelijk kan worden gebruikt om plasma-interacties met materiaal van de insluitingswand minder schadelijk te maken en zo de algehele energie-output van fusiereactoren te verbeteren.

"Er is geen andere manier om deze informatie te krijgen, ' zei Thompson.

Klein aantal atomen voorspellen de energie van velen

Het team van Thompson verwacht dat door het gebruik van grote datasets van kwantummechanica-berekeningen onder extreme omstandigheden als trainingsgegevens, ze kunnen een machine learning-model bouwen dat de energie van elke configuratie van atomen voorspelt.

Dit model, een interatomair potentiaal voor machinaal leren genoemd, of MLIAP, kan worden ingevoegd in enorme klassieke codes voor moleculaire dynamica, zoals Sandia's bekroonde LAMMPS, of grootschalige atomaire/moleculaire massaal parallelle simulator, software. Op deze manier, door slechts een relatief klein aantal atomen te ondervragen, ze kunnen de nauwkeurigheid van de kwantummechanica uitbreiden tot de schaal van miljoenen atomen die nodig zijn om het gedrag van fusie-energiematerialen te simuleren.

"Dus waarom doen we machinaal leren en niet alleen een heleboel gegevens boekhouden?" vraagt ​​Thompson retorisch. "Het korte antwoord is:we genereren vergelijkingen uit een oneindige reeks mogelijke variabelen om modellen te bouwen die gebaseerd zijn op de natuurkunde, maar honderden of duizenden parameters bevatten die ons binnen het bereik van ons doel houden."

Een nadeel is dat de nauwkeurigheid van het MLIAP-model afhangt van de overlap tussen de trainingsgegevens en de werkelijke atomaire omgevingen die de toepassing tegenkomt, zei Thompson.

Deze omgevingen kunnen verschillend zijn, waarvoor nieuwe trainingsgegevens en wijziging van het machine-learningmodel nodig zijn. Overlappingen herkennen en bijsturen is onderdeel van het werk van de komende jaren.

"Ons model zal in eerste instantie worden gebruikt om kleine experimenten te interpreteren, "Zei Thompson. "Omgekeerd, dat experimentele gegevens zullen worden gebruikt om ons model te valideren, die vervolgens kunnen worden gebruikt om voorspellingen te doen over wat er gebeurt in een grootschalige fusiereactor."

Het doel om fusieonderzoekers toegang te geven tot de Sandia-machineleermodellen om betere fusiereactoren te bouwen, is ongeveer drie jaar, zei Thompson.