Maschinelles Lernen könnte die Energieausbeute von Kernfusionsreaktoren erhöhen

Forscher von Sandia National Laboratories haben kürzlich maschinelle Lernalgorithmen entworfen, die dazu bestimmt sind, die Energieausbeute von Kernfusionsreaktoren zu verbessern . Das Forschungsteam nutzte Algorithmen, um die Wechselwirkungen zwischen Plasma und Materialien innerhalb der Wände eines Kernfusionsreaktors zu simulieren.

Im Gegensatz zur Kernspaltung, bei der Atome gespalten werden, wird die Energie, die durch Fusionsreaktionen freigesetzt wird, durch die Erzeugung von Plasma freigesetzt. Wasserstoffatome werden überhitzt, um eine Plasma-Wolke zu erzeugen, und diese Wolke gibt Energie ab, wenn die Teilchen darin aufeinander prallen und miteinander verschmelzen. Dieser Prozess ist chaotisch, und wenn Wissenschaftler den Fusionsprozess besser kontrollieren können, könnte dies zu einer erheblichen Steigerung der nutzbaren Energie führen, die durch Kernfusionsreaktoren erzeugt wird.

Forscher, die an der Lösung dieses Problems arbeiten, müssen komplexe Simulationen darüber durchführen, wie die Kammerwände eines Kernreaktors mit der Plasma-Wolke interagieren.

Laut Aidan Thompson machten maschinelle Lernalgorithmen es möglich, ein außerordentlich komplexes Problem zu knacken. Thompson und andere Forscher wurden von der Abteilung für Energie, Büro für Wissenschaft, beauftragt, zu bestimmen, wie maschinelles Lernen die Energieausbeute von Kernfusionsreaktoren verbessern kann. Bisher war es nicht möglich, atomare Simulationen dieser Wechselwirkungen durchzuführen. Dank maschinellen Lernens können die vielen kleinen Änderungen im Plasma, die auftreten, wenn es die Retaining-Wände des Reaktors trifft, nun modelliert werden.

Maschinelle Lernalgorithmen sind gut darin, Muster in Daten zu finden, die verschiedenen Merkmale zu erkennen, die ein Objekt definieren. Da maschinelle Lernalgorithmen Muster, die sie bereits gesehen haben, auf unvorhergesehene Ereignisse anwenden können, um diese zu klassifizieren, waren sie nützlich, um viel von der Trial-and-Error-Methode zu eliminieren, die bei der Optimierung des Fusionsprozesses erforderlich ist. Thompson erklärte, dass, wenn Plasma in einer Fusionskammer erzeugt wird, die Wände des Reaktors ständig mit Teilchen von Elementen wie Helium, Wasserstoff und Deuterium getroffen werden, da diese Elemente eine Plasma-Wolke bilden. Wenn das Plasma die Retaining-Wände des Reaktors trifft, verändert es die Wände auf kleine, aber möglicherweise kritische Weise. Die Zusammensetzung der Wände selbst verändert die Plasma-Wolke wiederum. Dieser Zyklus von Reaktionen tritt bei etwa den gleichen Temperaturen auf, die auf der Sonne gefunden werden, und dauert nur Nanosekunden. Die Optimierung dieses Prozesses erfordert einen schmerzhaften Prozess der Modifizierung von Komponenten der Reaktorwände und dann direktes Messen, wie sich die Ergebnisse ändern.

Thompson und andere Forscher machten sich daran, mit großen Datensätzen zu experimentieren, die aus quantenmechanischen Berechnungen bestehen, und trainierten ein Modell, das die Energie verschiedener Atomkonfigurationen vorhersagen kann. Das Ergebnis war das maschinelle Lern-Potential (MLIAP). Die Algorithmen können verwendet werden, um die Wechselwirkungen zwischen einer relativ kleinen Anzahl von Atomen zu untersuchen, und das Modell kann auf Millionen skaliert werden, um die Wechselwirkungen zwischen Komponenten des Fusionsprozesses nachzubilden. Laut Thompson erforderten die Modelle, die das Forschungsteam entwarf, Tausende von Parametern, um nützliche Simulationen zu sein.

Um das Modell nützlich zu halten, muss es einen signifikanten Überlapp zwischen den Umgebungen geben, die in der Fusion auftreten, und den Trainingsdaten. Es gibt eine breite Palette möglicher Fusionsumgebungen, so dass die Forscher ständig Daten erfassen und Änderungen am Modell vornehmen müssen. Thomas erklärte über Phys.org:

“Unser Modell wird zunächst verwendet, um kleine Experimente zu interpretieren. Umgekehrt wird diese experimentelle Daten verwendet, um unser Modell zu validieren, das dann verwendet werden kann, um Vorhersagen darüber zu machen, was in einem vollständigen Fusionsreaktor passiert.”

Die Algorithmen sind noch nicht bereit für die Verwendung durch tatsächliche Kernfusionsforscher. Allerdings sind Thompson und sein Forschungsteam die erste Gruppe von Forschern, die versucht haben, maschinelles Lernen auf das Plasma-Wand-Problem anzuwenden. Das Team hofft, dass in einigen Jahren die Modelle verwendet werden, um bessere Fusionsreaktoren zu entwickeln.