Kunstig intelligens fremskynder prognoser for at kontrollere fusionsforsøg

Maskinelæring, en teknik, der bruges i kunstig intelligens (AI) -software bag selvkørende biler og digitale assistenter, nu gør forskere i stand til at løse vigtige udfordringer for at høste fusionsenergien på Jorden, der driver solen og stjernerne. Teknikken gav for nylig fysikeren Dan Boyer fra US Department of Energy's (DOE) Princeton Plasma Physics Laboratory (PPPL) mulighed for at udvikle hurtige og præcise forudsigelser for at fremme kontrollen med eksperimenter i National Spherical Torus Experiment-Upgrade (NSTX-U)-flagskibet fusionsanlæg hos PPPL, der i øjeblikket er under reparation.

Sådanne AI-forudsigelser kan forbedre NSTX-U-forskernes evne til at optimere komponenterne i eksperimenter, der opvarmer og former det magnetisk begrænsede plasma, der brænder fusionsforsøg. Ved at optimere opvarmningen og forme plasmaforskere vil forskere mere effektivt kunne studere centrale aspekter af udviklingen af ​​brændende plasmaer-stort set selvopvarmende fusionsreaktioner-der vil være afgørende for ITER, det internationale eksperiment under opførelse i Frankrig, og fremtidige fusionsreaktorer.

Maskinlæring taktik

"Dette er et skridt i retning af, hvad vi skal gøre for at optimere aktuatorerne, sagde Boyer, forfatter til et papir i Kernefusion der beskriver taktikken til maskinlæring. "Maskinlæring kan gøre historiske data til en simpel model, som vi kan vurdere hurtigt nok til at træffe beslutninger i kontrolrummet eller endda i realtid under et eksperiment."

Fusionsreaktioner kombinerer lette elementer i form af plasma - det varme, ladet tilstand af stof sammensat af frie elektroner og atomkerner, der udgør 99 procent af det synlige univers - til at generere enorme mængder energi. Reproducering af fusionsenergi på Jorden ville skabe en praktisk talt uudtømmelig forsyning af sikker og ren strøm til at generere elektricitet.

Boyer og medforfatter Jason Chadwick, en bachelorstuderende ved Carnegie Mellon University og en deltager i programprogrammet Science Undergraduate Laboratory Internship (SULI) på PPPL sidste sommer, testet maskinlæringsprognoser ved hjælp af 10 års data for NSTX, forløberen for NSTX-U, og de 10 ugers drift af NSTX-U. De to sfæriske tokamakker er mere formet som æbler med kerner end den doughnut-lignende form af større og mere udbredte konventionelle tokamaks, og de skaber omkostningseffektive magnetfelter, der begrænser plasmaet.

Maskinindlæringstestene forudsagde korrekt fordelingen af ​​tryk og densitet af elektronerne i fusionsplasmaer, to kritiske, men vanskelige at forudsige parametre. "Elektrontryk og densitetsfordeling i plasmaet er nøglen til at forstå fusionsplasmas adfærd, "Boyer sagde." Vi har brug for modeller af disse faktorer for at forudsige virkningen af ​​skiftende varme og forme på eksperimenters ydeevne og stabilitet. "

"Mens der findes fysikbaserede modeller til forudsigelse af elektrontryk og tæthed, " han sagde, "de er ikke egnede til beslutningstagning i realtid. De tager alt for lang tid at beregne og er ikke så præcise, som vi har brug for dem til at være."

Modellen behandler begge spørgsmål

Maskinlæringsmodellen behandler begge spørgsmål. "Det har lært at forudsige tusindvis af observerede profiler i PPPL -tokamakkerne og har lavet forbindelser mellem kombinationer af input og output af faktiske data, "Sagde Boyer. Når han var trænet, modellen tager mindre end en tusindedel af et sekund at evaluere. Hastigheden på den resulterende model kan gøre den nyttig til mange applikationer i realtid, han sagde.

Fremgangsmåden er ikke uden begrænsninger. "Da modellen er uddannet i historisk observerede data, den kan ikke forudsige nye driftspunkter med høj nøjagtighed, "Boyer sagde. Han planlægger at løse denne begrænsning ved at tilføje resultaterne af fysikbaserede modelforudsigelser til træningsdataene og udvikle teknikker til at tilpasse modellen, efterhånden som nye data bliver tilgængelige.