Maskinlæringsalgoritmer kan øge energiudbyttet af kernefusionsreaktorer

Forskere fra Sandia National Laboratories har nylig designede maskinlæringsalgoritmer til at forbedre energiudbyttet af kernefusionsreaktorer. Forskningsholdet anvendte AI-algoritmer til at simulere interaktionerne mellem plasma og materialer inde i væggene af en kernefusionsreaktor.

I modsætning til kernespaltning, som indebærer at splitte atomer ad, frigør energien skabt af fusionsreaktioner energi gennem skabelsen af plasma. Hydrogenatomer varmes op til at skabe en plasma-sky, og denne sky frigør energi, da partiklerne inde i den smadrer ind i hinanden og fusionerer. Dette proces er kaotisk, og hvis videnskabsfolk kan kontrollere fusionsprocessen bedre, kan det føre til betydelige øgninger i mængden af brugbar energi, som kan skabes af kernefusionsreaktorer.

Forskere, der arbejder på at løse dette problem, skal køre komplekse simulationer om, hvordan kammerets vægge i en kernereaktor interagerer med plasma-skyen.

Ifølge Aidan Thompson gjorde maskinlæringsalgoritmer det muligt at knække et ekstraordinært komplekst problem. Thompson og andre forskere er blevet bedt af Department of Energy Office of Science om at bestemme, hvordan maskinlæring kan forbedre energiudbyttet af kernefusionsreaktorer. Indtil nu var det ikke muligt at udføre atom-skala-simulationer af disse interaktioner. Takket være maskinlæring kan de mange små ændringer i plasma, der sker, når det rammer reaktorvæggene, nu modelleres.

Maskinlæringsalgoritmer er særligt gode til at finde mønstre inden for data, og til at lære de forskellige funktioner, der definerer et objekt. Fordi maskinlæringsalgoritmer kan anvende mønstre, de har set før, til at klassificere usete begivenheder, var de nyttige til at eliminere meget af trial og fejl, der var involveret i at optimere fusionsprocessen. Thompson forklarede, at når plasma skabes inde i en fusionskammer, rammer væggene i reaktoren konstant partikler af elementer som helium, hydrogen og deuterium, da disse elementer udgør en plasma-sky. Når plasmaen rammer reaktorvæggene, ændrer den væggene på små, men potentielt kritiske måder. Sammensætningen af væggene selv ændrer plasma-skyen til gengæld. Denne cyklus af reaktioner sker ved omtrent de samme temperaturer, som findes på Solen, og varer kun nanosekunder. At optimere denne proces indebærer en møjsommelig proces med at ændre komponenter i reaktorvæggene og derefter direkte måle, hvordan resultaterne ændrede sig.

Thompson og andre forskere satte sig for at eksperimentere med store datasæt bestående af kvantemekaniske beregninger og trænede en model, der kunne forudsige energien af forskellige atomkonfigurationer. Resultatet var maskinlærings-interatomisk potentiale (MLIAP). Algoritmerne kan anvendes til at undersøge interaktioner mellem et relativt lille antal atomer, og skalere modellen op til millioner for at efterligne interaktioner mellem komponenter i fusionsprocessen. Ifølge Thompson krævede modellerne, som forskningsholdet designede, tusinder af parametre for at være nyttige simulationer.

For at modellen skal forblive nyttig, skal der være en betydelig overlap mellem de miljøer, der opstår i fusion, og træningsdata. Der er et stort antal mulige fusionsmiljøer, så forskerne skal konstant indsamle data og ændre modellen. Thomas forklarede via Phys.org:

“Vores model vil først blive brugt til at fortolke små eksperimenter. Omvendt vil den eksperimentelle data blive brugt til at validere vores model, som derefter kan bruges til at gøre forudsigelser om, hvad der sker i en fuld-skala fusionsreaktor”.

Algoritmerne er ikke klar til brug af rigtige kernefusionsforskere endnu. However, Thompson og hans forskningshold er den første gruppe af forskere, der har forsøgt at anvende maskinlæring til plasma-væg-problemet. Holdet håber, at om få år vil modellerne blive brugt til at udvikle bedre fusionsreaktorer.