Algorithmen des maschinellen Lernens könnten den Energieertrag von Kernfusionsreaktoren erhöhen

Forscher von Sandia National Laboratories haben kürzlich Algorithmen des maschinellen Lernens entworfen, die dazu bestimmt sind, den Energieausstoß von Kernfusionsreaktoren zu verbessern. Das Forschungsteam nutzte Algorithmen der künstlichen Intelligenz, um die Wechselwirkungen zwischen Plasma und Materialien innerhalb der Wände eines Kernfusionsreaktors zu simulieren.

Anders als Kernspaltung, bei der es darum geht, Atome auseinander zu reißen, wird die durch Fusionsreaktionen erzeugte Energie durch die Erzeugung von Plasma freigesetzt. Wasserstoffatome werden aufgeheizt, um eine Plasma-Wolke zu erzeugen, und diese Wolke gibt Energie ab, wenn die Teilchen in ihr aufeinander prallen und miteinander verschmelzen. Dieser Prozess ist chaotisch, und wenn Wissenschaftler den Fusionsprozess besser kontrollieren können, könnte dies zu einer erheblichen Steigerung der Menge an nutzbarer Energie führen, die von 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 Algorithmen des maschinellen Lernens es möglich, ein außerordentlich komplexes Problem zu lösen. Thompson und andere Forscher wurden von der Abteilung für Energie, Büro für Wissenschaft, beauftragt, zu bestimmen, wie maschinelles Lernen den Energieausstoß 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.

Algorithmen des maschinellen Lernens sind gut darin, Muster in Daten zu finden und die verschiedenen Merkmale zu lernen, die ein Objekt definieren. Da Algorithmen des maschinellen Lernens Muster, die sie zuvor gesehen haben, auf unvorhergesehene Ereignisse anwenden können, um sie zu klassifizieren, waren sie nützlich, um viel von der Trial-and-Error-Arbeit zu eliminieren, die mit der Optimierung des Fusionsprozesses verbunden 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 Reaktionszyklus tritt bei etwa den gleichen Temperaturen auf, wie sie auf der Sonne gefunden werden, und er dauert nur Nanosekunden. Die Optimierung dieses Prozesses erfordert einen mühsamen Prozess der Modifizierung von Komponenten der Reaktorwände und dann der direkten Messung, wie sich die Ergebnisse ändern.

Thompson und andere Forscher haben sich daran gemacht, mit großen Datensätzen zu experimentieren, die aus Quantenmechanik-Berechnungen bestehen, und ein Modell zu trainieren, 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 auf Millionen von Atomen zu skalieren, um die Wechselwirkungen zwischen Komponenten des Fusionsprozesses nachzubilden. Laut Thompson erforderten die von dem Forschungsteam entworfenen Modelle Tausende von Parametern, um nützliche Simulationen zu sein.

Damit das Modell nützlich bleibt, muss es eine erhebliche Überlappung 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 via Phys.org:

“Unser Modell wird zunächst verwendet, um kleine Experimente zu interpretieren. Umgekehrt wird die 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 ein paar Jahren die Modelle verwendet werden, um bessere Fusionsreaktoren zu entwickeln.