Kunstig intelligens fremskynder indsatsen for at udvikle ren, praktisk talt ubegrænset fusionsenergi

Kunstig intelligens (AI), en gren af ​​datalogi, der transformerer videnskabelig undersøgelse og industri, kunne nu fremskynde udviklingen af ​​sikre, ren og praktisk talt ubegrænset fusionsenergi til at generere elektricitet. Et stort skridt i denne retning er på vej ved det amerikanske energiministeriums (DOE) Princeton Plasma Physics Laboratory (PPPL) og Princeton University, hvor et team af forskere, der arbejder med en Harvard-kandidatstuderende, for første gang anvender deep learning-en kraftfuld ny version af maskinindlæringsformen af ​​AI-til at forudsige pludselige afbrydelser, der kan standse fusionsreaktioner og beskadige de donutformede tokamakker, der huser reaktionerne.

Lovende nyt kapitel i fusionsforskning

"Denne forskning åbner et lovende nyt kapitel i bestræbelserne på at bringe ubegrænset energi til Jorden, "Steve Cowley, direktør for PPPL, sagde om resultaterne, som er rapporteret i det aktuelle nummer af Natur magasin. "Kunstig intelligens eksploderer på tværs af videnskaberne, og nu begynder det at bidrage til den verdensomspændende søgen efter fusionskraft."

Fusion, som driver solen og stjernerne, er sammensmeltning af lette elementer i form af plasma - det varme, ladet tilstand af stof sammensat af frie elektroner og atomkerner - der genererer energi. Forskere søger at kopiere fusion på jorden for en rigelig strømforsyning til produktion af elektricitet.

Afgørende for at demonstrere evnen til dyb læring til at forudsige forstyrrelser - det pludselige tab af indeslutning af plasmapartikler og energi - har været adgang til enorme databaser leveret af to store fusionsfaciliteter:DIII-D National Fusion Facility, som General Atomics driver for DOE i Californien, den største facilitet i USA, og Joint European Torus (JET) i Det Forenede Kongerige, det største anlæg i verden, som administreres af EUROfusion, det europæiske konsortium for udvikling af fusionsenergi. Støtte fra forskere ved JET og DIII-D har været afgørende for dette arbejde.

De store databaser har muliggjort pålidelige forudsigelser om afbrydelser på andre tokamaks end dem, som systemet blev trænet på-i dette tilfælde fra den mindre DIII-D til den større JET. Præstationen lover godt forudsigelse af forstyrrelser på ITER, en langt større og mere kraftfuld tokamak, der bliver nødt til at anvende kapaciteter, der er lært på nutidens fusionsfaciliteter.

Den dybe læringskode, kaldet Fusion Recurrent Neural Network (FRNN), åbner også mulige veje til at kontrollere såvel som forudsigelse af forstyrrelser.

Mest spændende område med videnskabelig vækst

"Kunstig intelligens er det mest spændende område for videnskabelig vækst lige nu, og at gifte sig med fusionsvidenskab er meget spændende, "sagde Bill Tang, en ledende forskningsfysiker ved PPPL, medforfatter af papiret og foredragsholder med rang og titel som professor ved Princeton University Department of Astrophysical Sciences, der fører tilsyn med AI -projektet. "Vi har fremskyndet evnen til med høj nøjagtighed at forudsige den farligste udfordring for at rense fusionsenergi."

I modsætning til traditionel software, som udfører foreskrevne instruktioner, dyb læring lærer af sine fejl. Udførelse af denne tilsyneladende magi er neurale netværk, lag af indbyrdes forbundne noder - matematiske algoritmer - der er "parametriserede, "eller vægtet af programmet for at forme det ønskede output. For hvert givet input søger noderne at producere et bestemt output, såsom korrekt identifikation af et ansigt eller nøjagtige prognoser for en forstyrrelse. Træning starter, når en knude ikke klarer denne opgave:vægtene justerer sig automatisk til friske data, indtil det korrekte output er opnået.

Et nøgletræk ved dyb læring er dens evne til at fange højdimensionelle snarere end endimensionelle data. For eksempel, mens ikke-dyb læringssoftware måske overvejer temperaturen af ​​et plasma på et enkelt tidspunkt, FRNN overvejer profiler af temperaturen, der udvikler sig i tid og rum. "Dybdeindlæringsmetoders evne til at lære af så komplekse data gør dem til en ideel kandidat til opgaven med at forudsige forstyrrelser, " sagde samarbejdspartner Julian Kates-Harbeck, en fysikgraduate-studerende ved Harvard University og en DOE-Office of Science Computational Science Graduate Fellow, der var hovedforfatter af Nature-papiret og chefarkitekt bag koden.

Træning og drift af neurale netværk er afhængig af grafikprocessorenheder (GPU'er), computerchips, der først blev designet til at gengive 3D-billeder. Sådanne chips er ideel til at køre deep learning-applikationer og bruges i vid udstrækning af virksomheder til at producere AI-funktioner såsom at forstå talesprog og observere vejforhold med selvkørende biler.

Kates-Harbeck trænede FRNN-koden på mere end to terabyte (1012) data indsamlet fra JET og DIII-D. Efter at have kørt softwaren på Princeton Universitys Tiger -klynge af moderne GPU'er, holdet placerede det på Titan, en supercomputer på Oak Ridge Leadership Computing Facility, en DOE Office of Science brugerfacilitet, og andre højtydende maskiner.

En krævende opgave

Distribution af netværket på tværs af mange computere var en krævende opgave. "Træning af dybe neurale netværk er et beregningsintensivt problem, der kræver engagement af højtydende computerklynger, "sagde Alexey Svyatkovskiy, en medforfatter af Nature -papiret, der hjalp med at konvertere algoritmerne til en produktionskode og nu er hos Microsoft. "Vi lægger en kopi af hele vores neurale netværk på tværs af mange processorer for at opnå højeffektiv parallel behandling, " han sagde.

Softwaren demonstrerede yderligere sin evne til at forudsige sande forstyrrelser inden for den tidsramme på 30 millisekunder, som ITER vil kræve, samtidig med at antallet af falske alarmer reduceres. Koden lukker nu ind på ITER -kravet om 95 procent korrekte forudsigelser med færre end 3 procent falske alarmer. Mens forskerne siger, at kun levende eksperimentel operation kan demonstrere fordelene ved enhver forudsigelig metode, deres papir bemærker, at de store arkivdatabaser, der blev brugt i forudsigelserne, "dækker en lang række operationelle scenarier og giver dermed betydelige beviser for de relative styrker ved de metoder, der behandles i dette papir."

Fra forudsigelse til kontrol

Det næste skridt bliver at gå fra forudsigelse til kontrol af forstyrrelser. "I stedet for at forudsige forstyrrelser i sidste øjeblik og derefter afbøde dem, Vi ville ideelt set bruge fremtidige deep learning-modeller til forsigtigt at styre plasmaet væk fra områder med ustabilitet med det mål at undgå de fleste forstyrrelser i første omgang, " sagde Kates-Harbeck. At fremhæve dette næste skridt er Michael Zarnstorff, der for nylig flyttede fra vicedirektør for forskning på PPPL til chefvidenskabelig chef for laboratoriet. "Kontrol vil være afgørende for tokamaks efter ITER-hvor undgåelse af afbrydelser vil være et vigtigt krav, "Bemærkede Zarnstorff.

Fremskridt fra AI-aktiverede nøjagtige forudsigelser til realistisk plasmakontrol vil kræve mere end én disciplin. "Vi vil kombinere dyb læring med grundlæggende, første-princip fysik på højtydende computere til at nulstille realistiske kontrolmekanismer i brændende plasmaer, "sagde Tang." Ved kontrol, en betyder at vide, hvilke 'knapper der skal tændes' på en tokamak for at ændre betingelser for at forhindre forstyrrelser. Det er i vores seværdigheder, og det er dertil, vi er på vej. "