Maskinindlæringsteknik giver indsigt i plasmeadfærd

Maskinelæring, som lader forskere afgøre, om to processer er årsagssammenhængende uden at afsløre, hvordan kunne hjælpe med at stabilisere plasmaet i donutformede fusionsenheder kendt som tokamaks. Sådan læring kan lette undgåelsen af ​​forstyrrelser-ikke-normale hændelser i tokamak-plasmaer, der kan føre til meget hurtigt tab af de lagrede termiske og magnetiske energier og true maskinens integritet. Et oplæg af kandidatstuderende Matthew Parsons offentliggjort i juni i tidsskriftet Plasmafysik og kontrolleret fusion beskriver anvendelsen af ​​læringen for at undgå forstyrrelser, hvilket vil være afgørende for at sikre levetiden for fremtidige store tokamaks.

Parsons begyndte forskning om dette emne ved US Department of Energy's (DOE) Princeton Plasma Physics Laboratory (PPPL) som medlem af DOE's Science Undergraduate Laboratory Internships (SULI) program. Han samarbejdede med PPPL -forskere William Tang og Eliot Feibush som SULI -praktikant i somrene 2014 og 2015, og derefter som midlertidig PPPL -medarbejder i 2016. "Plasmafysikfællesskabet er meget interesseret i at identificere flere klassifikatorer til at studere ustabilitet og forstyrrelser, "sagde Feibush." ​​Matt er ideelt kvalificeret til at arbejde med dette centrale emne. "

Parsons udviklede nye måder at anvende sin PPPL -forskning på som Fulbright -tilskud hos ITER, den internationale tokamak under opførelse i Frankrig, fra september 2016 til og med april 2017 og baserede avisen på sit arbejde der. Han er i øjeblikket indskrevet på ph.d.-uddannelsen ved University of Illinois i Urbana-Champaign

"Når du bruger maskinlæring, "Sagde Parsons, "du betragter modellerne, der er produceret af computerprogrammet, som sorte kasser - du putter noget i det og får derefter noget ud, men ved ikke altid, hvordan output er relateret til det, du putter i. I dette papir, Jeg gør den sorte kasse lidt mere gennemsigtig. "

Den sorte boks behøver ikke at afdække mekanismerne bag årsagssammenhænge. For eksempel, en person kan observere hundredvis af tordenvejr og observere, at lyn har en tendens til at gå forud for torden. Denne person kan udlede, at torden igen vil følge lynet under en fremtidig storm. Men denne slutning indeholder ingen oplysninger om, hvordan, Nemlig, belysning og torden hænger sammen.

Fysikere kan bruge maskinlæring til at analysere plasmas adfærd, den varme suppe af elektroner og ladede atomkerner korreleret af magnetfelter inden for tokamakker. Ved at indsætte data fra tidligere eksperimenter i et maskinlæringsprogram, forskere kan lære, hvilken plasmaadfærd der har tendens til at gå forud for forstyrrelser. De kan derefter opbygge et system, der overvåger plasmaet for tegn på disse forstyrrelsesforstadier, i teorien giver forskerne tid til at styre plasmaet mod stabilitet.

"En ting, der virkelig ophidser mig ved den analyseteknik, jeg foreslår, er, at den faktisk er ganske enkel og ret let kan implementeres af alle, der udvikler disse maskinlæringsmodeller, "Siger Parsons." Alt du skal gøre er at tage det numeriske output fra forudsigelsesmodellen, som på en eller anden måde beskriver, hvor tæt du er på en afbrydelse, ændre dine input med et lille trin, og sammenlign det nye output med det originale output. Jo mindre ændring, jo mere stabil plasmaudladningen er med hensyn til inputvariablerne. Det er virkelig kernen i det, jeg foreslår. "

Selvom black-box-modeller har en tendens til at blive undgået af fysikfællesskabet, Parsons insisterer på, at de kunne være til tjeneste. "Som fysikere, den måde, vi ser på problemer på, forsøger at forstå forholdet mellem, hvad der går ind i din model, og hvad der kommer ud, "siger han." Det er naturligt, derefter, at når vi ser disse black-box-modeller, vi tror, ​​at det ikke er noget, vi vil beskæftige os med, fordi vi ikke forstår, hvad der sker. "

Imidlertid, "Mange af de problemer, vi står over for i fusion, er meget tekniske, og hvis vi kunne nå frem til nogle af løsningerne ved hjælp af maskinlæring, Jeg synes, det er klogt at undersøge alle mulighederne og ikke udelukke nogle, bare fordi de er forskellige fra vores træning. "