Algorithmen für maschinelles Lernen könnten die Energieausbeute von Kernfusionsreaktoren steigern

Forscher aus Sandia National Laboratories kürzlich entwickelte Algorithmen für maschinelles Lernen Ziel ist es, die Energieausbeute von Kernfusionsreaktoren zu verbessern. Das Forschungsteam nutzte KI-Algorithmen, um die Wechselwirkungen zwischen Plasma und Materialien innerhalb der Wände eines zu simulieren Kernfusionsreaktor.

Im Gegensatz zur Kernspaltung, bei der Atome gespalten werden, setzt die durch Fusionsreaktionen erzeugte Energie Energie durch die Bildung von Plasma frei. Wasserstoffatome werden überhitzt, um eine Plasmawolke zu erzeugen, und diese Wolke setzt Energie frei, wenn die darin enthaltenen Teilchen aufeinander prallen und miteinander verschmelzen. Dieser Prozess ist chaotisch, und wenn Wissenschaftler den Fusionsprozess besser kontrollieren können, könnte dies zu einem erheblichen Anstieg der nutzbaren Energiemenge 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 Plasmawolke interagieren.

Laut Aidan Thompson haben Algorithmen des maschinellen Lernens die Lösung eines außerordentlich komplexen Problems ermöglicht. Thompson und andere Forscher wurden vom Wissenschaftsbüro des Energieministeriums beauftragt, herauszufinden, wie maschinelles Lernen die Energieausbeute von Kernfusionsreaktoren verbessern könnte. Bisher war es nicht möglich, diese Wechselwirkungen auf atomarer Ebene zu simulieren. Dank maschinellem Lernen können nun die vielen kleinen Veränderungen im Plasma, die beim Auftreffen auf die Stützwände des Reaktors auftreten, modelliert werden.

Algorithmen für maschinelles Lernen zeichnen sich dadurch aus, dass sie Muster in Daten finden und die verschiedenen Merkmale lernen, die ein Objekt definieren. Da maschinelle Lernalgorithmen Muster anwenden können, die sie zuvor gesehen haben, um unsichtbare Ereignisse zu klassifizieren, waren sie nützlich, um einen Großteil des Versuchs und Irrtums zu eliminieren, der mit der Optimierung des Fusionsprozesses verbunden ist. Thompson erklärte, dass bei der Plasmaerzeugung in einer Fusionskammer die Wände des Reaktors ständig mit Partikeln von Elementen wie Helium, Wasserstoff und Deuterium getroffen werden, da diese Elemente eine Plasmawolke bilden. Wenn das Plasma auf die Stützwände des Reaktors trifft, verändert es die Wände auf kleine, möglicherweise kritische Weise. Die Zusammensetzung der Wände selbst verändert wiederum die Plasmawolke. Dieser Reaktionszyklus findet bei ungefähr den gleichen Temperaturen wie auf der Sonne statt und dauert nur Nanosekunden. Die Optimierung dieses Prozesses erfordert einen sorgfältigen Prozess, bei dem Komponenten der Reaktorwände modifiziert und anschließend direkt gemessen werden, wie sich die Ergebnisse verändert haben.

Thompson und andere Forscher machten sich daran, mit großen Datensätzen aus quantenmechanischen Berechnungen zu experimentieren und ein Modell zu trainieren, das die Energie verschiedener Atomkonfigurationen vorhersagen konnte. Das Ergebnis war das Machine Learning Interatomic Potential (MLIAP). Mit den Algorithmen können Wechselwirkungen zwischen einer relativ kleinen Anzahl von Atomen untersucht und das Modell auf die Millionen skaliert werden, die zur Nachahmung von Wechselwirkungen zwischen Komponenten des Fusionsprozesses erforderlich sind. Laut Thompson erforderten die vom Forschungsteam entworfenen Modelle Tausende von Parametern, um nützliche Simulationen zu ermöglichen.

Damit das Modell weiterhin nützlich bleibt, muss es eine erhebliche Überlappung zwischen den Umgebungen, die sich in der Fusion manifestieren, und den Trainingsdaten geben. Es gibt eine Vielzahl möglicher Fusionsumgebungen, sodass die Forscher ständig Daten erfassen und Änderungen am Modell vornehmen müssen. Thomas erklärte über Phys.org:

„Unser Modell wird zunächst zur Interpretation kleiner Experimente verwendet. Umgekehrt werden diese experimentellen Daten zur Validierung unseres Modells verwendet, das dann verwendet werden kann, um Vorhersagen darüber zu treffen, was in einem Fusionsreaktor im Originalmaßstab passiert.“

Die Algorithmen sind noch nicht für den Einsatz in der Kernfusionsforschung bereit. Thompson und sein Forschungsteam sind jedoch die erste Forschergruppe, die versucht, maschinelles Lernen auf das Plasmawandproblem anzuwenden. Das Team hofft, dass die Modelle in einigen Jahren zur Entwicklung besserer Fusionsreaktoren eingesetzt werden können.