Door moderne methoden voor machine learning en datawetenschap toe te passen op "extreme" plasmafysica, onderzoekers kunnen inzicht krijgen in ons universum en aanwijzingen vinden over het creëren van een onbeperkte hoeveelheid energie.

In een recent perspectief gepubliceerd in Natuur , Wetenschappers van Lawrence Livermore National Laboratory (LLNL) en internationale medewerkers schetsen belangrijke uitdagingen en toekomstige richtingen bij het gebruik van machine learning (ML) en andere datagestuurde technieken om deze extreme omstandigheden die mogelijk de weg vrijmaken naar kernfusie als industriële krachtbron, beter te begrijpen, evenals het helpen om ons begrip van het universum te verbeteren.

Extreem plasma wordt beschreven als de fysica van materie bij extreme dichtheden, temperaturen en drukken zoals die in het binnenste van sterren en planeten.

"Extreme plasmafysica-experimenten hadden van oudsher een zeer lage datasnelheid, maar toekomstige geplande laserfaciliteiten zullen een zeer hoge opnamesnelheid hebben, met het potentieel om enorme hoeveelheden gegevens te produceren, " zei LLNL-natuurkundige Gemma Anderson, een van de hoofdauteurs van het artikel. "Dit zal op zijn beurt het veld in het big-data-regime brengen en een overeenkomstige behoefte creëren om in veel grotere mate gebruik te maken van moderne datawetenschapsmethoden."

De nieuwste generatie van faciliteiten voor extreme fysica kan meerdere keren per seconde experimenten uitvoeren (in tegenstelling tot bijna dagelijks) - weg van menselijke controle naar automatische controle. Om de nieuwe kansen optimaal te benutten, het team stelde een draaiboek voor voor het gebruik van ML in wetenschap met hoge energiedichtheid door middel van onderzoeksontwerp, opleiding, best practices en ondersteuning voor synthetische diagnostiek en data-analyse.

De studie van plasmafysica onder extreme temperaturen, dichtheden en elektromagnetische veldsterkte is belangrijk om astrofysica, kernfusie en fundamentele fysica. Deze systemen zijn zeer niet-lineair en zijn zeer moeilijk theoretisch te begrijpen of experimenteel aan te tonen.

Anderson en collega's hebben gesuggereerd dat modellen voor machinaal leren en gegevensgestuurde methoden het antwoord zouden kunnen zijn door de verkenning van deze extreme systemen, die veel te complex zijn gebleken voor menselijke onderzoekers om alleen te doen, opnieuw vorm te geven. Het interpreteren van de gegevens van de experimenten van deze systemen, zoals de Nationale Ontstekingsfaciliteit, vereist het gelijktijdig begrijpen van grote hoeveelheden complexe multimodale gegevens uit meerdere verschillende bronnen. De afbeelding hierboven toont een potentiële workflow die datagestuurde en machine learning-methoden volledig integreert om dit doel te bereiken. Het optimaliseren van extreme fysica-systemen vereist fijnafstemming over een groot aantal (vaak sterk gecorreleerde) parameters. Kunstmatige intelligentiemethoden zijn zeer succesvol gebleken in het ontrafelen van correlaties in grote datasets en kunnen cruciaal zijn om systemen te begrijpen en te optimaliseren die tot nu toe moeilijk te begrijpen waren.

Het papier was het resultaat van een workshop georganiseerd door Anderson, haar LLNL-collega Jim Gaffney en Peter Hatfield van de Universiteit van Oxford, gehouden in het Lorentz Center in Nederland in januari 2020. Een belangrijk doel van de bijeenkomst was het schrijven van een witboek waarin de conclusies van de bijeenkomst werden beschreven:welke normen de gemeenschap zou moeten aannemen, wat machine learning voor het vakgebied kan betekenen en wat de toekomst in petto heeft.

Anderson zei dat het document zal worden verspreid onder belangrijke financieringsinstanties en beleidsmakers in onderzoeksraden en nationale laboratoria.