MIT-onderzoekers Pablo Rodriguez-Fernandez en Nathan Howard hebben zojuist een van de meest veeleisende berekeningen in de fusiewetenschap voltooid:het voorspellen van de temperatuur- en dichtheidsprofielen van een magnetisch opgesloten plasma via first-principles-simulatie van plasmaturbulentie. Dit probleem met brute kracht oplossen gaat zelfs de meest geavanceerde supercomputers te boven. In plaats daarvan gebruikten de onderzoekers een optimalisatiemethode die is ontwikkeld voor machine learning om de benodigde CPU-tijd drastisch te verminderen, terwijl de nauwkeurigheid van de oplossing behouden blijft.

Fusie-energie

Fusion biedt de belofte van onbeperkte, koolstofvrije energie via hetzelfde fysieke proces dat de zon en de sterren aandrijft. Het vereist verwarming van de brandstof tot temperaturen boven 100 miljoen graden, ruim boven het punt waar de elektronen van hun atomen worden gestript, waardoor een vorm van materie ontstaat die plasma wordt genoemd. Op aarde gebruiken onderzoekers sterke magnetische velden om het hete plasma te isoleren en te isoleren van gewone materie. Hoe sterker het magnetische veld, hoe beter de kwaliteit van de isolatie die het biedt.

Rodriguez-Fernandez en Howard hebben zich gericht op het voorspellen van de verwachte prestaties van het SPARC-apparaat, een compact, hoogmagnetisch veldfusie-experiment, dat momenteel in aanbouw is door het MIT-spin-outbedrijf Commonwealth Fusion Systems (CFS) en onderzoekers van MIT's Plasma Science en Fusiecentrum. Hoewel de berekening een buitengewone hoeveelheid computertijd vergde, meer dan 8 miljoen CPU-uren, was het opmerkelijk niet hoeveel tijd er werd gebruikt, maar hoe weinig, gezien de enorme rekenkundige uitdaging.

De rekenkundige uitdaging van fusie-energie

Turbulentie, het mechanisme voor het grootste deel van het warmteverlies in een opgesloten plasma, is een van de grote uitdagingen van de wetenschap en het grootste probleem dat nog bestaat in de klassieke natuurkunde. De vergelijkingen die van toepassing zijn op fusieplasma's zijn algemeen bekend, maar analytische oplossingen zijn niet mogelijk in de regimes van belang, waar niet-lineariteiten belangrijk zijn en oplossingen een enorm scala aan ruimtelijke en temporele schalen omvatten. Wetenschappers nemen hun toevlucht tot het oplossen van de vergelijkingen door numerieke simulatie op computers. Het is geen toeval dat fusieonderzoekers de afgelopen 50 jaar pioniers zijn geweest op het gebied van computationele fysica.

Een van de fundamentele problemen voor onderzoekers is het betrouwbaar voorspellen van de plasmatemperatuur en -dichtheid, alleen gegeven de magnetische veldconfiguratie en het extern toegepaste ingangsvermogen. In opsluitingsapparaten zoals SPARC gaan de externe voeding en de warmte-invoer van het fusieproces verloren door turbulentie in het plasma. De turbulentie zelf wordt aangedreven door het verschil in de extreem hoge temperatuur van de plasmakern en de relatief koele temperaturen van de plasmarand (slechts een paar miljoen graden). Het voorspellen van de prestatie van een zelfverwarmd fusieplasma vereist daarom een ​​berekening van de vermogensbalans tussen het opgenomen fusievermogen en de verliezen door turbulentie.

Deze berekeningen beginnen over het algemeen door uit te gaan van plasmatemperatuur- en dichtheidsprofielen op een bepaalde locatie, en vervolgens de door turbulentie lokaal getransporteerde warmte te berekenen. Een bruikbare voorspelling vereist echter een zelfconsistente berekening van de profielen over het gehele plasma, waarbij zowel de warmte-inbreng als de turbulente verliezen zijn meegenomen. Het rechtstreeks oplossen van dit probleem gaat de mogelijkheden van een bestaande computer te boven, dus hebben onderzoekers een aanpak ontwikkeld die de profielen aan elkaar hecht op basis van een reeks veeleisende maar hanteerbare lokale berekeningen. Deze methode werkt, maar aangezien de warmte- en deeltjesfluxen afhankelijk zijn van meerdere parameters, kunnen de berekeningen erg langzaam convergeren.

Technieken die voortkomen uit het veld van machine learning zijn echter zeer geschikt om zo'n berekening te optimaliseren. Beginnend met een reeks rekenintensieve lokale berekeningen, uitgevoerd met de volledige fysica, eerste-principes CGYRO-code (geleverd door een team van General Atomics onder leiding van Jeff Candy), pasten Rodriguez-Fernandez en Howard een surrogaat wiskundig model aan, dat werd gebruikt om en optimaliseer een zoekopdracht binnen de parameterruimte. De resultaten van de optimalisatie werden vergeleken met de exacte berekeningen op elk optimaal punt en het systeem werd herhaald tot een gewenst nauwkeurigheidsniveau. De onderzoekers schatten dat de techniek het aantal runs van de CGYRO-code met een factor vier verminderde.

Nieuwe aanpak vergroot vertrouwen in voorspellingen

Dit werk, beschreven in een recente publicatie in het tijdschrift Nuclear Fusion , is de hoogste betrouwbaarheidsberekening ooit gemaakt van de kern van een fusieplasma. Het verfijnt en bevestigt voorspellingen die zijn gedaan met minder veeleisende modellen. Professor Jonathan Citrin, of the Eindhoven University of Technology and leader of the fusion modeling group for DIFFER, the Dutch Institute for Fundamental Energy Research, commented:"The work significantly accelerates our capabilities in more routinely performing ultra-high-fidelity tokamak scenario prediction. This algorithm can help provide the ultimate validation test of machine design or scenario optimization carried out with faster, more reduced modeling, greatly increasing our confidence in the outcomes."

In addition to increasing confidence in the fusion performance of the SPARC experiment, this technique provides a roadmap to check and calibrate reduced physics models, which run with a small fraction of the computational power. Such models, cross-checked against the results generated from turbulence simulations, will provide a reliable prediction before each SPARC discharge, helping to guide experimental campaigns and improving the scientific exploitation of the device. It can also be used to tweak and improve even simple data-driven models, which run extremely quickly, allowing researchers to sift through enormous parameter ranges to narrow down possible experiments or possible future machines. + Verder verkennen

Op weg naar fusie-energie modelleert team plasmaturbulentie op de snelste supercomputer van het land

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.