machinaal leren, een techniek die wordt gebruikt in de kunstmatige intelligentie (AI)-software achter zelfrijdende auto's en digitale assistenten, stelt wetenschappers nu in staat de belangrijkste uitdagingen aan te gaan bij het oogsten op aarde van de fusie-energie die de zon en de sterren aandrijft. De techniek stelde natuurkundige Dan Boyer van het Princeton Plasma Physics Laboratory (PPPL) van het Amerikaanse Department of Energy (DOE) onlangs in staat om snelle en nauwkeurige voorspellingen te ontwikkelen voor het bevorderen van de controle over experimenten in de National Spherical Torus Experiment-Upgrade (NSTX-U) - het vlaggenschip kernfusie-installatie bij PPPL die momenteel in reparatie is.

Dergelijke AI-voorspellingen zouden het vermogen van NSTX-U-wetenschappers kunnen verbeteren om de componenten van experimenten die het magnetisch opgesloten plasma dat fusie-experimenten aandrijft, te verwarmen en vorm te geven, te optimaliseren. Door de verwarming en vormgeving van het plasma te optimaliseren, kunnen wetenschappers de belangrijkste aspecten van de ontwikkeling van brandende plasma's - grotendeels zelfverhitting fusiereacties - die van cruciaal belang zijn voor ITER, effectiever bestuderen. het internationale experiment in aanbouw in Frankrijk, en toekomstige fusiereactoren.

Machine learning-tactieken

"Dit is een stap in de richting van wat we moeten doen om de actuatoren te optimaliseren, " zei Boyer, auteur van een paper in Kernfusie die de machine learning-tactieken beschrijft. "Machine learning kan historische gegevens omzetten in een eenvoudig model dat we snel genoeg kunnen evalueren om beslissingen te nemen in de controlekamer of zelfs in realtime tijdens een experiment."

Fusiereacties combineren lichte elementen in de vorm van plasma - het hete, geladen toestand van materie bestaande uit vrije elektronen en atoomkernen die 99 procent van het zichtbare universum uitmaken - om enorme hoeveelheden energie te genereren. Het reproduceren van fusie-energie op aarde zou een vrijwel onuitputtelijke voorraad veilige en schone energie creëren om elektriciteit op te wekken.

Boyer en co-auteur Jason Chadwick, een niet-gegradueerde student aan de Carnegie Mellon University en een deelnemer aan het Science Undergraduate Laboratory Internship (SULI) programma bij PPPL afgelopen zomer, geteste machine learning-voorspellingen met behulp van 10 jaar gegevens voor NSTX, de voorloper van NSTX-U, en de 10 weken werking van NSTX-U. De twee bolvormige tokamaks hebben meer de vorm van appels met klokhuis dan de donutachtige vorm van de grotere en meer gebruikte conventionele tokamaks, en ze creëren kosteneffectieve magnetische velden die het plasma opsluiten.

De machine learning-tests voorspelden correct de verdeling van druk en dichtheid van de elektronen in fusieplasma's, twee kritische maar moeilijk te voorspellen parameters. "De elektronendruk en dichtheidsverdeling in het plasma zijn de sleutel tot het begrijpen van het gedrag van fusieplasma's, " zei Boyer. "We hebben modellen van deze factoren nodig om de impact van veranderende verwarming en vormgeving op de prestaties en stabiliteit van experimenten te voorspellen."

"Hoewel er op fysica gebaseerde modellen bestaan ​​voor het voorspellen van elektronendruk en -dichtheid, " hij zei, "ze zijn niet geschikt voor real-time besluitvorming. Ze nemen veel te veel tijd in beslag om te berekenen en zijn niet zo nauwkeurig als we nodig hebben."

Model lost beide problemen op

Het machine learning-model lost beide problemen op. "Het heeft geleerd voorspellingen te doen van duizenden waargenomen profielen in de PPPL-tokamaks en heeft associaties gemaakt tussen combinaties van invoer en uitvoer van werkelijke gegevens, " zei Boyer. Eenmaal getraind, het model heeft minder dan een duizendste van een seconde nodig om te evalueren. De snelheid van het resulterende model zou het bruikbaar kunnen maken voor veel real-time toepassingen, hij zei.

De aanpak is niet zonder beperkingen. "Omdat het model is getraind op historisch waargenomen gegevens, het kan geen voorspellingen doen over nieuwe werkpunten met hoge nauwkeurigheid, Boyer is van plan deze beperking aan te pakken door de resultaten van op fysica gebaseerde modelvoorspellingen toe te voegen aan de trainingsgegevens en technieken te ontwikkelen om het model aan te passen wanneer nieuwe gegevens beschikbaar komen.