Maskinlæringsalgoritmer kan øge energiudbyttet fra kernefusionsreaktorer

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

Til forskel fra kernespaltning, der indebærer at splitte atomer ad, frigør energien skabt ved 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 støder sammen og fusionerer. Dette proces er kaotisk, og hvis videnskabsmænd kan bedre kontrollere fusionsprocessen, kan det føre til betydelige øgninger i mængden af brugbar energi, der skabes af kernefusionsreaktorer.

Forskere, der arbejder på at løse dette problem, har brug for at køre komplekse simulationer om, hvordan reaktorvæggene 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 fra 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 gode til at finde mønstre inden for data, 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 er involveret i at optimere fusionsprocessen. Thompson forklarede, at når plasma skabes inde i en fusionskammer, rammer væggene af reaktoren konstant partikler af elementer som helium, hydrogen og deuterium, da disse elementer udgør en plasma-sky. Når plasma rammer reaktorvæggene, ændrer det væggene på små, men potentielt kritiske måder. Sammensætningen af væggene ændrer plasma-skyen igen. Denne cyklus af reaktioner sker ved omtrent samme temperaturer som dem, der findes på Solen, og de varer kun nanosekunder. At optimere denne proces indebærer en møjsommelig proces med at ændre komponenter af 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, træne en model, der kunne forudsige energien af forskellige atomkonfigurationer. Resultatet var maskinlæringsinteratomisk potentiale (MLIAP). Algoritmerne kan anvendes til at undersøge interaktioner mellem et relativt lille antal atomer, skalerer op modellen til millioner for at efterligne interaktioner mellem komponenter af fusionsprocessen. Ifølge Thompson krævede modellerne, som forskningsholdet designede, tusindvis af parametre for at være nyttige simulationer.

For at modellen skal forblive nyttig, skal der være en betydelig overlap mellem de miljøer, der manifestere i fusion, og træningsdata. Der er en bred vifte af mulige fusionsmiljøer, så forskerne skal konstant indsamle data og foretage ændringer i modellen. Thomas forklarede via Phys.org:

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

Algoritmerne er ikke klar til brug af faktiske kernefusionsforskere endnu. Men Thompson og hans forskningshold er det første hold af forskere, der har forsøgt at anvende maskinlæring på plasma-væg-problemet. Holdet håber, at om få år vil modellerne blive anvendt til at konstruere bedre fusionsreaktorer.