Αλγόριθμοι Μηχανικής Μάθησης Μπορούν να Αυξήσουν την Απόδοση Ενέργειας των Αντιδραστήρων Πυρηνικής Σύντηξης

Ερευνητές από το Εργαστήριο Εθνικής Άμυνας Sandia σχεδίασαν πρόσφατα αλγόριθμους μηχανικής μάθησης που έχουν ως στόχο τη βελτίωση της ενεργειακής απόδοσης των αντιδραστήρων πυρηνικής σύντηξης. Η ερευνητική ομάδα χρησιμοποίησε αλγόριθμους AI για να προσομοιώσουν τις αλληλεπιδράσεις μεταξύ του πλάσματος και των υλικών εντός των τοιχών ενός αντιδραστήρα πυρηνικής σύντηξης.

Σε αντίθεση με την πυρηνική σχάση, η οποία涉κει την διάσπαση ατόμων, η ενέργεια που παράγεται από τις αντιδράσεις σύντηξης απελευθερώνεται μέσω της δημιουργίας πλάσματος. Τα άτομα υδρογόνου θερμαίνονται σε υψηλές θερμοκρασίες για να δημιουργηθεί ένα σύννεφο πλάσματος και αυτό το σύννεφο απελευθερώνει ενέργεια καθώς τα σωματίδια εντός του συγκρούονται και συνδυάζονται. Αυτή η διαδικασία είναι χαотική και εάν οι επιστήμονες μπορέσουν να ελέγξουν καλύτερα τη διαδικασία σύντηξης, αυτό θα μπορούσε να οδηγήσει σε σημαντικές αυξήσεις της ποσότητας ενέργειας που παράγεται από τους αντιδραστήρες πυρηνικής σύντηξης.

Οι ερευνητές που εργάζονται για την επίλυση αυτού του προβλήματος πρέπει να εκτελέσουν σύνθετες προσομοιώσεις σχετικά με το πώς οι τοίχοι της θάλαμος του αντιδραστήρα αλληλεπιδρούν με το σύννεφο πλάσματος.

Σύμφωνα με τον Aidan Thompson, οι αλγόριθμοι μηχανικής μάθησης έκαναν δυνατή την επίλυση ενός εξαιρετικά σύνθετου προβλήματος. Ο Thompson και άλλοι ερευνητές έχουν ανατεθεί από το Γραφείο Επιστημών του Υπουργείου Ενέργειας να καθορίσουν πώς η μηχανική μάθηση μπορεί να βελτιώσει την ενεργειακή απόδοση των αντιδραστήρων πυρηνικής σύντηξης. Μέχρι τώρα, δεν ήταν εφικτό να thựcτοποιηθούν προσομοιώσεις σε ατομικό επίπεδο αυτών των αλληλεπιδράσεων. Χάρη στη μηχανική μάθηση, οι πολλές μικρές αλλαγές στο πλάσμα που συμβαίνουν όταν χτυπά τους τοίχους του αντιδραστήρα μπορούν τώρα να μοντελοποιηθούν.

Οι αλγόριθμοι μηχανικής μάθησης excels στο να βρίσκουν μοτίβα εντός των δεδομένων, μαθαίνοντας τα διάφορα χαρακτηριστικά που ορίζουν ένα αντικείμενο. Επειδή οι αλγόριθμοι μηχανικής μάθησης μπορούν να εφαρμόσουν μοτίβα που έχουν δει trước για να ταξινομήσουν μη είδη γεγονότα, ήταν χρήσιμοι για την εξάλειψη μεγάλου μέρους της δοκιμής και του λάθους που εμπλέκονται στην βελτίωση της διαδικασίας σύντηξης. Ο Thompson εξήγησε ότι όταν το πλάσμα δημιουργείται εντός ενός θαλάμου σύντηξης, οι τοίχοι του αντιδραστήρα χτυπιούνται συνεχώς από σωματίδια στοιχείων όπως το ήλιο, το υδρογόνο και το δευτέριο, καθώς αυτά τα στοιχεία αποτελούν ένα σύννεφο πλάσματος. Όταν το πλάσμα χτυπά τους τοίχους του αντιδραστήρα, αλλάζει τους τοίχους με μικρό αλλά κρίσιμο τρόπο. Η σύνθεση των τοιχών τους αλλάζει το σύννεφο πλάσματος με τη σειρά του. Αυτός ο κύκλος αντιδράσεων συμβαίνει σε θερμοκρασίες παρόμοιες με αυτές που βρίσκονται στον Ήλιο και διαρκεί μόνο νανοδευτερόλεπτα. Η βελτίωση αυτής της διαδικασίας περιλαμβάνει μια επίπονη διαδικασία τροποποίησης των компонентів των τοιχών του αντιδραστήρα και στη συνέχεια άμεσης μέτρησης του πώς οι αποτελέσματα άλλαξαν.

Ο Thompson και άλλοι ερευνητές ξεκίνησαν να πειραματίζονται με μεγάλες συνόλους δεδομένων που αποτελούνται από υπολογισμούς κβαντικής μηχανικής, εκπαιδεύοντας ένα μοντέλο που θα μπορούσε να προβλέψει την ενέργεια διαφόρων διαταραχών ατόμων. Το αποτέλεσμα ήταν το interatomic potential της μηχανικής μάθησης (MLIAP). Οι αλγόριθμοι μπορούν να χρησιμοποιηθούν για να εξετάσουν τις αλληλεπιδράσεις μεταξύ ενός σχετικά μικρού αριθμού ατόμων, κλιμάκωση του μοντέλου στα εκατομμύρια που απαιτούνται για να μιμηθούν τις αλληλεπιδράσεις μεταξύ των στοιχείων της διαδικασίας σύντηξης. Σύμφωνα με τον Thompson, τα μοντέλα που σχεδίασε η ερευνητική ομάδα απαιτούσαν χιλιάδες παραμέτρους για να είναι χρήσιμες προσομοιώσεις.

Για να παραμείνει το μοντέλο χρήσιμο, πρέπει να υπάρχει σημαντική επικάλυψη μεταξύ των περιβαλλόντων που εμφανίζονται στη σύντηξη και των δεδομένων εκπαίδευσης. Υπάρχει ένα ευρύ φάσμα πιθανών περιβαλλόντων σύντηξης, οπότε οι ερευνητές θα πρέπει να συλλέγουν συνεχώς δεδομένα και να κάνουν αλλαγές στο μοντέλο. Ο Thomas εξήγησε μέσω του Phys.org:

“Το μοντέλο μας αρχικά θα χρησιμοποιηθεί για να ερμηνεύσει μικρές πειραματικές διαδικασίες. Αντιστρόφως, τα πειραματικά δεδομένα θα χρησιμοποιηθούν για να επικυρώσουν το μοντέλο μας, το οποίο στη συνέχεια θα χρησιμοποιηθεί για να κάνει προβλέψεις για το τι συμβαίνει σε einen πλήρη αντιδραστήρα σύντηξης”.

Οι αλγόριθμοι δεν είναι ακόμη έτοιμοι για χρήση από πραγματικούς ερευνητές πυρηνικής σύντηξης. Ωστόσο, ο Thompson και η ερευνητική του ομάδα είναι η πρώτη ομάδα ερευνητών που προσπάθησε να εφαρμόσει τη μηχανική μάθηση στο πρόβλημα του τοίχου του πλάσματος. Η ομάδα ελπίζει ότι μέσα σε quelques χρόνια, τα μοντέλα θα χρησιμοποιηθούν για να σχεδιάσουν καλύτερους αντιδραστήρες σύντηξης.