Hurtigere beregninger af fusionsreaktor takket være maskinlæring

Fusionsreaktorteknologier er godt positioneret til at bidrage til vores fremtidige strømbehov på en sikker og bæredygtig måde. Numeriske modeller kan give forskere oplysninger om fusionsplasmas adfærd, samt værdifuld indsigt i effektiviteten af ​​reaktordesign og -drift. Imidlertid, for at modellere det store antal plasmainteraktioner kræver en række specialiserede modeller, der ikke er hurtige nok til at levere data om reaktorens design og drift. Aaron Ho fra gruppen Science and Technology of Nuclear Fusion i afdelingen for anvendt fysik har undersøgt brugen af ​​maskinlæringsmetoder til at fremskynde den numeriske simulering af kerneplasma turbulent transport. Ho forsvarede sit speciale den 17. marts.

Det endelige mål med forskning om fusionsreaktorer er at opnå en netto effektforøgelse på en økonomisk levedygtig måde. For at nå dette mål, store indviklede enheder er blevet konstrueret, men efterhånden som disse enheder bliver mere komplekse, det bliver stadig vigtigere at anvende en forudsigelses-første tilgang til dens drift. Dette reducerer driftseffektivitet og beskytter enheden mod alvorlig skade.

For at simulere et sådant system kræver modeller, der kan fange alle de relevante fænomener i en fusionsenhed, er præcise nok til, at forudsigelser kan bruges til at træffe pålidelige designbeslutninger og er hurtige nok til hurtigt at finde brugbare løsninger.

Model baseret på neurale netværk

Til sin ph.d. forskning, Aaron Ho udviklede en model til at opfylde disse kriterier ved at bruge en model baseret på neurale netværk. Denne teknik gør det effektivt muligt for en model at bevare både hastighed og nøjagtighed på bekostning af dataindsamling. Den numeriske tilgang blev anvendt på en turbulensmodel med reduceret orden, QuaLiKiz, som forudsiger plasma transportmængder forårsaget af mikroturbulens. Dette særlige fænomen er den dominerende transportmekanisme i tokamak -plasmaenheder. Desværre, dens beregning er også den begrænsende hastighedsfaktor i nuværende tokamak plasmamodellering.

Ho trænede med succes en neural netværksmodel med QuaLiKiz -evalueringer, mens han brugte eksperimentelle data som træningsinput. Det resulterende neurale netværk blev derefter koblet til en større integreret modelleringsramme, JINTRAC, for at simulere kernen i plasmaanordningen.

Simuleringstiden reduceret fra 217 timer til kun to timer

Ydelsen af ​​det neurale netværk blev evalueret ved at erstatte den originale QuaLiKiz -model med Ho's neurale netværksmodel og sammenligne resultaterne. I sammenligning med den originale QuaLiKiz -model, Ho's model overvejede yderligere fysikmodeller, duplikerede resultaterne til en nøjagtighed på 10%, og reducerede simuleringstiden fra 217 timer på 16 kerner til to timer på en enkelt kerne.

For derefter at teste effektiviteten af ​​modellen uden for træningsdataene, modellen blev brugt i en optimeringsøvelse ved hjælp af det koblede system på et plasma-ramp-scenario som et bevis på princippet. Denne undersøgelse gav en dybere forståelse af fysikken bag de eksperimentelle observationer, og fremhævede fordelen ved hurtig, nøjagtig, og detaljerede plasmamodeller.

Endelig, Ho foreslår, at modellen kan udvides til yderligere applikationer såsom controller eller eksperimentelt design. Han anbefaler også at udvide teknikken til andre fysikmodeller, som det blev observeret, at de turbulente transportforudsigelser ikke længere er den begrænsende faktor. Dette vil yderligere forbedre anvendeligheden af ​​den integrerede model i iterative applikationer og muliggøre den nødvendige validering for at skubbe dens muligheder tættere på en virkelig forudsigelig model.