Kunstig intelligens hjælper med at accelerere fremskridt mod effektive fusionsreaktioner

Før videnskabsmænd effektivt kan opfange og implementere fusionsenergi, de skal lære at forudsige store forstyrrelser, der kan standse fusionsreaktioner og beskadige væggene i doughnut-formede fusionsanordninger kaldet tokamaks. Rettidig forudsigelse af forstyrrelser, det pludselige tab af kontrol over det varme, ladet plasma, der fremmer reaktionerne, vil være afgørende for at udløse skridt til at undgå eller afbøde sådanne store begivenheder.

I dag, forskere ved US Department of Energy's (DOE) Princeton Plasma Physics Laboratory (PPPL) og Princeton University anvender kunstig intelligens til at forbedre forudsigelsesevnen. Forskere ledet af William Tang, en PPPL-fysiker og en underviser med rang og titel som professor ved Princeton University, udvikler koden til forudsigelser for ITER, det internationale eksperiment under opbygning i Frankrig for at demonstrere det praktiske ved fusionsenergi.

Form for "dyb læring"

Den nye forudsigende software, kaldet Fusion Recurrent Neural Network (FRNN) kode, er en form for "deep learning" - en nyere og mere kraftfuld version af moderne maskinlæringssoftware, en anvendelse af kunstig intelligens. "Dyb læring repræsenterer en spændende ny vej mod forudsigelse af forstyrrelser, " sagde Tang. "Denne evne kan nu håndtere multidimensionelle data."

FRNN er en dyb-lærende arkitektur, der har vist sig at være den bedste måde at analysere sekventielle data med lang rækkevidde mønstre. Medlemmer af maskinlæringsteamet fra PPPL og Princeton University er de første til systematisk at anvende en dyb læringstilgang til problemet med forstyrrelsesprognoser i tokamak-fusionsplasmaer.

Chefarkitekt for FRNN er Julian Kates-Harbeck, en kandidatstuderende ved Harvard University og en DOE-Office of Science Computational Science Graduate Fellow. Ved at trække på ekspertise opnået, mens du opnåede en mastergrad i datalogi ved Stanford University, han har ledet opbygningen af ​​FRNN-softwaren.

Mere præcise forudsigelser

Ved at bruge denne tilgang, holdet har demonstreret evnen til at forudsige forstyrrende begivenheder mere præcist end tidligere metoder har gjort. Ved at trække fra den enorme database på Joint European Torus (JET)-faciliteten i Storbritannien – den største og mest kraftfulde tokamak i drift – har forskerne forbedret forudsigelserne om forstyrrelser betydeligt og reduceret antallet af falske positive alarmer. EUROfusion, det europæiske konsortium for udvikling af fusionsenergi, administrerer JET-forskning.

Holdet sigter nu mod at nå de udfordrende mål, som ITER vil kræve. Disse omfatter at producere 95 procent korrekte forudsigelser, når der opstår forstyrrelser, samtidig med at der gives færre end 3 procent falske alarmer, når der ikke er nogen forstyrrelser. "På de undersøgte testdatasæt, FRNN har forbedret kurven til at forudsige sande positive og samtidig reducere falske positiver, " sagde Eliot Feibush, en computerforsker ved PPPL, med henvisning til det, der kaldes "Receiver Operating Characteristic"-kurven, der almindeligvis bruges til at måle maskinlæringsnøjagtighed. "Vi arbejder på at få flere træningsdata ind for at gøre det endnu bedre."

Meget krævende

Processen er meget krævende. "Træning af dybe neurale netværk er en beregningsintensiv opgave, der kræver inddragelse af højtydende computerhardware, " sagde Alexey Svyatkovskiy, en big data-forsker fra Princeton University. "Det er grunden til, at en stor del af det, vi gør, er at udvikle og distribuere nye algoritmer på tværs af mange processorer for at opnå højeffektiv parallel computing. Sådan computing vil håndtere den stigende størrelse af problemer hentet fra den disruption-relevante database fra JET og andre tokamaks. "

Deep learning-koden kører på grafiske processing units (GPU'er), der kan beregne tusindvis af kopier af et program på én gang, langt mere end ældre centralbehandlingsenheder (CPU'er). Test udført på moderne GPU-klynger, og på maskiner i verdensklasse som Titan, i øjeblikket den hurtigste og mest kraftfulde amerikanske supercomputer på Oak Ridge Leadership Computing Facility, en DOE Office of Science brugerfacilitet ved Oak Ridge National Laboratory, har vist fremragende lineær skalering. En sådan skalering reducerer den beregningsmæssige køretid i direkte forhold til antallet af brugte GPU'er - et stort krav for effektiv parallel behandling.

Princetons tigerklynge

Princeton Universitys Tiger-klynge af moderne GPU'er var den første til at udføre deep learning-tests, ved hjælp af FRNN til at demonstrere den forbedrede evne til at forudsige fusionsforstyrrelser. Koden har siden kørt på Titan og andre førende supercomputing GPU-klynger i USA, Europa og Asien, og har fortsat vist fremragende skalering med antallet af GPU'er, der er involveret.

Fremadrettet, forskerne søger at demonstrere, at denne kraftfulde forudsigende software kan køre på tokamaks rundt om i verden og i sidste ende på ITER. Der er også planlagt en forbedring af hastigheden af ​​forstyrrelsesanalyse for de stigende problemstørrelser forbundet med de større datasæt forud for begyndelsen af ​​en forstyrrende begivenhed. Støtte til dette projekt er primært kommet til dato fra de laboratoriestyrede forsknings- og udviklingsmidler fra PPPL.