Den datadrevne fremtid for ekstrem fysik

Ved at anvende moderne maskinlærings- og datavidenskabelige metoder til "ekstrem" plasmafysik, forskere kan få indsigt i vores univers og finde spor om at skabe en ubegrænset mængde energi.

I et nylig perspektiv offentliggjort i Natur , Lawrence Livermore National Laboratory (LLNL) forskere og internationale samarbejdspartnere skitserer vigtige udfordringer og fremtidige retninger i brug af machine learning (ML) og andre datadrevne teknikker til bedre at forstå disse ekstreme forhold, der potentielt baner vejen til atomfusion som en industriel strømkilde, samt at hjælpe med at forbedre vores forståelse af universet.

Ekstremt plasma beskrives som materiens fysik ved ekstreme tætheder, temperaturer og tryk som dem, der findes i det indre af stjerner og planeter.

"Ekstreme plasmafysikeksperimenter havde historisk set en meget lav datahastighed, men fremtidige planlagte laserfaciliteter vil have en meget høj skudhastighed, med potentiale til at producere enorme mængder data, "sagde LLNL -fysikeren Gemma Anderson, en af ​​hovedforfatterne til papiret. "Dette vil igen flytte feltet ind i big-data-regimet og skabe et tilsvarende behov for at udnytte moderne datavidenskabelige metoder i langt større omfang."

Den nyeste generation af ekstreme fysikfaciliteter kan udføre eksperimenter flere gange i sekundet (i modsætning til næsten daglig)-bevæger sig væk fra menneskelig kontrol til automatisk kontrol. For at få mest muligt ud af de nye muligheder, holdet foreslog en legebog til brug af ML i videnskab med høj energitæthed gennem forskningsdesign, uddannelse, bedste praksis og support til syntetisk diagnostik og dataanalyse.

Studiet af plasmafysik under ekstreme temperaturer, densiteter og elektromagnetisk feltstyrke er vigtig for at forstå astrofysik, kernefusion og grundlæggende fysik. Disse systemer er meget ikke-lineære og er meget vanskelige at forstå teoretisk eller demonstrere eksperimentelt.

Anderson og kolleger har foreslået, at maskinlæringsmodeller og datadrevne metoder kunne være svaret ved at omforme udforskning af disse ekstreme systemer, der har vist sig alt for komplekse for menneskelige forskere at gøre alene. Fortolkning af data fra eksperimenterne med disse systemer, såsom den nationale tændingsfacilitet, kræver samtidig forståelse af store mængder komplekse multimodale data fra flere forskellige kilder. Billedet ovenfor viser en potentiel arbejdsgang, der fuldt ud integrerer datadrevne og maskinlæringsmetoder for at nå dette mål. Optimering af ekstreme fysiksystemer kræver finjustering over et stort antal (ofte stærkt korrelerede) parametre. Kunstige intelligensmetoder har vist sig meget succesrige med at drille korrelationer ud i store datasæt og kan være afgørende for at forstå og optimere systemer, der hidtil har været svære at forstå.

Papiret var et resultat af en workshop arrangeret af Anderson, hendes LLNL -kollega Jim Gaffney og Peter Hatfield fra University of Oxford, afholdt på Lorentz Center i Holland i januar 2020. Et centralt mål for mødet var at skrive en hvidbog med detaljerede konklusioner fra mødet:hvilke standarder samfundet bør vedtage, hvad maskinlæring kan gøre for feltet, og hvad fremtiden kan byde på.

Anderson sagde, at papiret vil blive udsendt til centrale finansieringsorganer og beslutningstagere i forskningsråd og nationale laboratorier.