Maskinindlæringsteknik kunne forbedre fusionsenergi-output

Maskinlæringsteknikker, bedst kendt for at lære selvkørende biler at stoppe ved rødt lys, kan snart hjælpe forskere rundt om i verden med at forbedre deres kontrol over den mest komplicerede reaktion, som videnskaben kender:atomfusion.

Fusionsreaktioner er typisk hydrogenatomer opvarmet til dannelse af en gasformig sky kaldet et plasma, der frigiver energi, når partiklerne slår ind i hinanden og smelter sammen. At få disse reaktioner under bedre kontrol kunne skabe enorme mængder miljøvenlig energi fra atomreaktorer i fremtidens fusionskraftværker.

"Forbindelsen mellem maskinlæring og fusionsenergi er ikke indlysende, "sagde Sandia National Laboratories -forsker Aidan Thompson, hovedforsker for en treårig Department of Energy Office of Science-tildeling på $ 2,2 millioner årligt for at skabe netop den forbindelse. "Kort fortalt, vi har været banebrydende for maskinlærings brug til at forbedre simuleringer af reaktorens vægmateriale, når det interagerer med plasma. Dette har været uden for omfanget af tidligere simuleringer i atomskala. "

Det forventede resultat bør foreslå proceduremæssige eller strukturelle ændringer for at forbedre atomkraftproduktionen, han sagde.

Kraft i maskinlæring i modellering af kernefusion

Maskinlæring er kraftfuld, fordi den bruger matematiske og statistiske midler til at finde ud af en situation, i stedet for at analysere hvert stykke data i den ønskede kategori. For eksempel, kun et lille antal hundebilleder er nødvendige for at lære et genkendelsessystem at begreb "dogginess" - med andre ord, "dette er en hund" - i stedet for at scanne alle hundebilleder, der findes.

Sandias maskinlæringsmetode til kernefusion er den samme, men mere kompliceret.

"Det er ikke et trivielt problem at fysisk observere, hvad der foregår inden for en reaktors vægge, da disse strukturer er internt bombarderet med brint, helium, deuterium og tritium som dele af et overophedet plasma, "sagde Thompson.

Han beskrev komponenter i det cirkulerende plasma, der slog og ændrede sammensætningen af ​​fastholdelsesvæggene og tunge atomer, der løsnede sig fra de ramte vægge og ændrede plasmaet. Reaktioner finder sted i nanosekunder ved temperaturer så varme som solen. Det er ekstraordinært besværligt at forsøge at ændre komponenter ved hjælp af trial and error for at forbedre resultaterne.

Maskinlæringsalgoritmer, på den anden side, bruge computergenererede data uden direkte målinger fra eksperimenter og kan give information, der til sidst kan bruges til at gøre plasma-interaktioner med indeslutningsmurmateriale mindre skadelige og dermed forbedre det samlede energiprodukt fra fusionsreaktorer.

"Der er ingen anden måde at få disse oplysninger på, "sagde Thompson.

Et lille antal atomer forudsiger manges energi

Thompsons team forventer, at ved at bruge store datasæt af kvantemekaniske beregninger under ekstreme forhold som træningsdata, de kan bygge en maskinlæringsmodel, der forudsiger energien i enhver konfiguration af atomer.

Denne model, kaldet et maskinlært interatomisk potentiale, eller MLIAP, kan indsættes i enorme klassiske molekylære dynamik-koder såsom Sandias prisvindende LAMMPS, eller Atomic/Molecular Massively Parallel Simulator i stor skala, software. På denne måde, ved kun at forhøre et relativt lille antal atomer, de kan udvide kvantemekanikkens nøjagtighed til omfanget af millioner af atomer, der er nødvendige for at simulere opførsel af fusionsenergimaterialer.

"Så hvorfor laver vi maskinlæring og ikke bare bogholder masser af data?" spørger Thompson retorisk. "Det korte svar er, Vi genererer ligninger fra et uendeligt sæt af mulige variabler for at bygge modeller, der er baseret på fysik, men indeholder hundredvis eller tusinder af parametre, der holder os inden for rækkevidde af vores mål. "

En fangst er, at nøjagtigheden af ​​MLIAP -modellen afhænger af overlapningen mellem træningsdataene og de faktiske atommiljøer, som applikationen støder på, sagde Thompson.

Disse miljøer kan være forskellige, kræver nye træningsdata og ændring af maskinlæringsmodellen. At genkende og justere for overlapninger er en del af arbejdet i de næste par år.

"Vores model vil først blive brugt til at fortolke små eksperimenter, "Sagde Thompson." Omvendt at eksperimentelle data vil blive brugt til at validere vores model, som derefter kan bruges til at forudsige, hvad der sker i en fusionsreaktor i fuld skala. "

Målet for at give fusionsforskere adgang til Sandia-maskinindlæringsmodellerne til at bygge bedre fusionsreaktorer er cirka tre år, sagde Thompson.