Maskinlæring, udnyttet til ekstrem databehandling, hjælper med udvikling af fusionsenergi

MIT-forskerne Pablo Rodriguez-Fernandez og Nathan Howard har netop afsluttet en af ​​de mest krævende beregninger inden for fusionsvidenskab – forudsigelse af temperatur- og tæthedsprofilerne for et magnetisk indesluttet plasma via simulering af plasma-turbulens i de første principper. At løse dette problem med brute force er ud over selv de mest avancerede supercomputeres muligheder. I stedet brugte forskerne en optimeringsmetodologi udviklet til maskinlæring for dramatisk at reducere den krævede CPU-tid og samtidig bevare nøjagtigheden af ​​løsningen.

Fusionsenergi

Fusion giver løftet om ubegrænset kulstoffri energi gennem den samme fysiske proces, som driver solen og stjernerne. Det kræver opvarmning af brændstoffet til temperaturer over 100 millioner grader, et godt stykke over det punkt, hvor elektronerne fjernes fra deres atomer, hvilket skaber en form for stof kaldet plasma. På Jorden bruger forskere stærke magnetfelter til at isolere og isolere det varme plasma fra almindeligt stof. Jo stærkere magnetfeltet er, jo bedre er kvaliteten af ​​den isolering, det giver.

Rodriguez-Fernandez og Howard har fokuseret på at forudsige den forventede ydeevne i SPARC-enheden, et kompakt fusionseksperiment med højt magnetfelt, som i øjeblikket er under opbygning af MIT-spin-out-virksomheden Commonwealth Fusion Systems (CFS) og forskere fra MIT's Plasma Science og Fusion Center. Selvom beregningen krævede en ekstraordinær mængde computertid, over 8 millioner CPU-timer, var det bemærkelsesværdige ikke, hvor meget tid der blev brugt, men hvor lidt, givet den skræmmende beregningsmæssige udfordring.

Fusionsenergiens beregningsmæssige udfordring

Turbulens, som er mekanismen for det meste af varmetabet i et indelukket plasma, er en af ​​videnskabens store udfordringer og det største problem, der er tilbage i klassisk fysik. Ligningerne, der styrer fusionsplasmaer, er velkendte, men analytiske løsninger er ikke mulige i de regimer af interesse, hvor ikke-lineariteter er vigtige, og løsninger omfatter et enormt udvalg af rumlige og tidsmæssige skalaer. Forskere tyr til at løse ligningerne ved numerisk simulering på computere. Det er ikke tilfældigt, at fusionsforskere har været pionerer inden for beregningsfysik i de sidste 50 år.

Et af de grundlæggende problemer for forskere er pålideligt at forudsige plasmatemperatur og tæthed kun givet magnetfeltkonfigurationen og den eksternt påførte inputeffekt. I indeslutningsanordninger som SPARC går den eksterne strøm og varmetilførslen fra fusionsprocessen tabt gennem turbulens i plasmaet. Selve turbulensen er drevet af forskellen i plasmakernens ekstremt høje temperatur og plasmakantens relativt kølige temperaturer (blot et par millioner grader). Forudsigelse af ydeevnen af ​​et selvopvarmet fusionsplasma kræver derfor en beregning af effektbalancen mellem fusionseffekttilførslen og tabene på grund af turbulens.

Disse beregninger starter generelt med at antage plasmatemperatur- og tæthedsprofiler på et bestemt sted og derefter beregne den varme, der transporteres lokalt ved turbulens. En nyttig forudsigelse kræver dog en selvkonsistent beregning af profilerne på tværs af hele plasmaet, som inkluderer både varmetilførslen og turbulente tab. Direkte løsning af dette problem er ud over enhver eksisterende computers muligheder, så forskere har udviklet en tilgang, der syr profilerne sammen ud fra en række krævende, men gennemførlige lokale beregninger. Denne metode virker, men da varme- og partikelstrømmene afhænger af flere parametre, kan beregningerne være meget langsomme til at konvergere.

Imidlertid er teknikker, der dukker op fra maskinlæringsområdet, velegnede til at optimere netop en sådan beregning. Startende med et sæt beregningsintensive lokale beregninger kørt med fuld-fysik, første principper CGYRO-kode (leveret af et team fra General Atomics ledet af Jeff Candy) Rodriguez-Fernandez og Howard tilpassede en matematisk surrogatmodel, som blev brugt til at udforske og optimer en søgning inden for parameterrummet. Resultaterne af optimeringen blev sammenlignet med de nøjagtige beregninger på hvert optimalt punkt, og systemet blev itereret til et ønsket niveau af nøjagtighed. Forskerne vurderer, at teknikken reducerede antallet af kørsler af CGYRO-koden med en faktor på fire.

Ny tilgang øger tilliden til forudsigelser

Dette arbejde, beskrevet i en nylig publikation i tidsskriftet Nuclear Fusion , er den højeste troskabsberegning, der nogensinde er lavet af kernen i et fusionsplasma. Det forfiner og bekræfter forudsigelser lavet med mindre krævende modeller. Professor Jonathan Citrin, of the Eindhoven University of Technology and leader of the fusion modeling group for DIFFER, the Dutch Institute for Fundamental Energy Research, commented:"The work significantly accelerates our capabilities in more routinely performing ultra-high-fidelity tokamak scenario prediction. This algorithm can help provide the ultimate validation test of machine design or scenario optimization carried out with faster, more reduced modeling, greatly increasing our confidence in the outcomes."

In addition to increasing confidence in the fusion performance of the SPARC experiment, this technique provides a roadmap to check and calibrate reduced physics models, which run with a small fraction of the computational power. Such models, cross-checked against the results generated from turbulence simulations, will provide a reliable prediction before each SPARC discharge, helping to guide experimental campaigns and improving the scientific exploitation of the device. It can also be used to tweak and improve even simple data-driven models, which run extremely quickly, allowing researchers to sift through enormous parameter ranges to narrow down possible experiments or possible future machines. + Udforsk yderligere

Toward fusion energy, team models plasma turbulence on the nation's fastest supercomputer

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.