Algoritmy strojového učení mohou zvýšit energetický výnos jaderných fúzních reaktorů

Výzkumníci ze Sandia National Laboratories nedávno navrhli algoritmy strojového učení určené ke zlepšení energetického výstupu jaderných fúzních reaktorů. Výzkumný tým využil algoritmy umělé inteligence k simulaci interakcí mezi plazmou a materiály uvnitř stěn jaderného fúzního reaktoru.

Na rozdíl od jaderné fission, která zahrnuje rozdělení atomů, energie vytvořená fúzními reakcemi uvolňuje energii prostřednictvím tvorby plazmy. Atomů vodíku jsou superohřáty, aby vytvořily plazmový mrak a tento mrak uvolňuje energii, jak částice uvnitř něj narazí na sebe a slučují se. Tento proces je chaotický a pokud vědci mohou lépe ovládat fúzní proces, může to vést k podstatnému zvýšení množství využitelné energie vytvořené jadernými fúzními reaktory.

Vědci, kteří pracují na řešení tohoto problému, potřebují spustit komplexní simulace týkající se toho, jak komory jaderného reaktoru interagují s plazmovým mrakem.

Podle Aidana Thompsona algoritmy strojového učení umožnily vyřešit mimořádně složitý problém. Thompson a další výzkumníci byli pověřeni ministerstvem energetiky Office of Science, aby určili, jak strojové učení může zlepšit energetický výstup jaderných fúzních reaktorů. Do teď nebylo možné provádět atomové simulace těchto interakcí. Díky strojovému učení lze nyní modelovat malé změny v plazmě, ke kterým dochází, když plazma narazí na stěny reaktoru.

Algoritmy strojového učení excelují v nalezení vzorců v datech, učení různých vlastností, které definují objekt. Protože algoritmy strojového učení mohou aplikovat vzorce, které viděly dříve, na klasifikaci neviditelných událostí, byly užitečné pro eliminaci velké části pokusů a omylů při optimalizaci fúzního procesu. Thompson vysvětlil, že když je plazma vytvořena uvnitř fúzní komory, stěny reaktoru jsou neustále zasaženy částicemi prvků, jako je helium, vodík a deuterium, protože tyto prvky tvoří plazmový mrak. Když plazma narazí na stěny reaktoru, mění je malými, ale potenciálně kritickými způsoby. Složení stěn samo o sobě mění plazmový mrak. Tento cyklus reakcí se vyskytuje přibližně ve stejné teplotě jako na Slunci a trvá pouze nanosekundy. Optimalizace tohoto procesu zahrnuje pečlivý proces modifikace součástí stěn reaktoru a následného měření, jak se výsledky změnily.

Thompson a další výzkumníci se pokusili experimentovat s velkými datovými sadami tvořenými kvantově-mechanickými výpočty, výcvikem modelu, který by mohl předpovědět energii různých atomových konfigurací. Výsledkem byl model strojového učení interatomového potenciálu (MLIAP). Algoritmy lze použít k prozkoumání interakcí mezi relativně malým počtem atomů, škálování modelu na miliony požadovaných k simulaci interakcí mezi součástmi fúzního procesu. Podle Thompsona modely, které výzkumný tým navrhl, vyžadovaly tisíce parametrů, aby byly užitečnými simulacemi.

Aby model zůstal užitečný, musí existovat významný překryv mezi prostředími, která se vyskytují ve fúzi, a trénovacími daty. Existuje široká škála možných fúzních prostředí, takže výzkumníci budou muset neustále zachytit data a měnit model. Thomas vysvětlil prostřednictvím Phys.org:

“Naše modely budou nejprve použity k interpretaci malých experimentů. Naopak, tato experimentální data budou použita k validaci našeho modelu, který lze poté použít k předpovědím toho, co se děje v plném měřítku fúzního reaktoru.”

Algoritmy nejsou zatím připraveny k použití skutečnými jadernými fúzními výzkumníky. Nicméně, Thompson a jeho výzkumný tým jsou první skupinou výzkumníků, kteří se pokusili aplikovat strojové učení na problém plazma-stěna. Tým doufá, že za několik let budou modely použity k navrhování lepších fúzních reaktorů.