Maskinlæring fremskynder modellering af eksperimenter med det formål at fange fusionsenergi på Jorden

Machine learning (ML), en form for kunstig intelligens, der genkender ansigter, forstår sprog og navigerer i selvkørende biler, kan hjælpe med at bringe den rene fusionsenergi til Jorden, der lyser solen og stjernerne. Forskere ved US Department of Energy's (DOE) Princeton Plasma Physics Laboratory (PPPL) bruger ML til at skabe en model for hurtig kontrol af plasma - stoftilstanden, der består af frie elektroner og atomkerner, eller ioner - der giver næring til fusionsreaktioner.

Solen og de fleste stjerner er gigantiske kugler af plasma, der gennemgår konstante fusionsreaktioner. Her på jorden, videnskabsmænd skal opvarme og kontrollere plasmaet for at få partiklerne til at smelte sammen og frigive deres energi. PPPL-forskning viser, at ML kan lette en sådan kontrol.

Neurale netværk

Forskere ledet af PPPL-fysiker Dan Boyer har trænet neurale netværk - kernen i ML-software - på data produceret i den første operationelle kampagne af National Spherical Torus Experiment-Upgrade (NSTX-U), flagskibsfusionsanlægget, eller tokamak, hos PPPL. Den trænede model gengiver nøjagtigt forudsigelser af opførselen af ​​de energiske partikler produceret af kraftig neutral stråleinjektion (NBI), der bruges til at brænde NSTX-U plasmaer og opvarme dem til millioner grader, fusionsrelevante temperaturer.

Disse forudsigelser genereres normalt af en kompleks computerkode kaldet NUBEAM, som inkorporerer information om strålens indvirkning på plasmaet. Sådanne komplekse beregninger skal foretages hundredvis af gange i sekundet for at analysere plasmaets adfærd under et eksperiment. Men hver beregning kan tage flere minutter at køre, at gøre resultaterne tilgængelige for fysikere, efter at et eksperiment, der typisk varer et par sekunder, er afsluttet.

Den nye ML-software reducerer den tid, der kræves til nøjagtigt at forudsige opførselen af ​​energiske partikler til under 150 mikrosekunder - hvilket gør det muligt at foretage beregningerne online under eksperimentet.

Den første anvendelse af modellen viste en teknik til at estimere karakteristika for plasmaadfærden, der ikke blev målt direkte. Denne teknik kombinerer ML-forudsigelser med de begrænsede målinger af plasmaforhold, der er tilgængelige i realtid. De kombinerede resultater vil hjælpe plasmakontrolsystemet i realtid med at træffe mere informerede beslutninger om, hvordan stråleinjektion skal justeres for at optimere ydeevnen og opretholde plasmaets stabilitet - en kritisk kvalitet for fusionsreaktioner.

Hurtige evalueringer

De hurtige evalueringer vil også hjælpe operatører med at foretage bedre informerede justeringer mellem eksperimenter, der udføres hvert 15.-20. minut under operationer. "Accelererede modelleringsfunktioner kunne vise operatører, hvordan de justerer NBI-indstillinger for at forbedre det næste eksperiment, sagde Boyer, hovedforfatter på et papir i Nuclear Fusion, der rapporterer om den nye model.

Boyer, arbejder med PPPL-fysiker Stan Kaye, genereret en database med NUBEAM-beregninger for en række plasmabetingelser svarende til dem, der blev opnået i eksperimenter under den indledende NSTX-U-kørsel. Forskere brugte databasen til at træne et neuralt netværk til at forudsige effekter af neutrale stråler på plasmaet, såsom opvarmning og profiler af strømmen. Softwareingeniør Keith Erickson implementerede derefter software til evaluering af modellen på computere, der bruges til aktivt at kontrollere eksperimentet for at teste beregningstiden.

Nyt arbejde vil omfatte udvikling af neurale netværksmodeller skræddersyet til de planlagte forhold for fremtidige NSTX-U-kampagner og andre fusionsfaciliteter. Ud over, forskere planlægger at udvide den nuværende modelleringstilgang for at muliggøre accelererede forudsigelser af andre fusionsplasmafænomener.