Les algorithmes d’apprentissage automatique pourraient augmenter le rendement énergétique des réacteurs de fusion nucléaire

Des chercheurs du Sandia National Laboratories ont récemment conçu des algorithmes d’apprentissage automatique destinés à améliorer le rendement énergétique des réacteurs de fusion nucléaire. L’équipe de recherche a utilisé des algorithmes d’intelligence artificielle pour simuler les interactions entre le plasma et les matériaux dans les parois d’un réacteur de fusion nucléaire.

Contrairement à la fission nucléaire, qui consiste à diviser les atomes, l’énergie créée par les réactions de fusion libère de l’énergie par la création de plasma. Les atomes d’hydrogène sont surchauffés pour créer un nuage de plasma, et ce nuage libère de l’énergie lorsque les particules qu’il contient se heurtent et se fondent les unes aux autres. Ce processus est chaotique, et si les scientifiques peuvent mieux contrôler le processus de fusion, cela pourrait entraîner des augmentations substantielles de la quantité d’énergie utilisable créée par les réacteurs de fusion nucléaire.

Les chercheurs qui travaillent sur la résolution de ce problème doivent effectuer des simulations complexes sur la façon dont les parois de la chambre d’un réacteur nucléaire interagissent avec le nuage de plasma.

Selon Aidan Thompson, les algorithmes d’apprentissage automatique ont rendu possible la résolution d’un problème extrêmement complexe. Thompson et d’autres chercheurs ont été chargés par le Département de l’Énergie Office of Science de déterminer comment l’apprentissage automatique pourrait améliorer le rendement énergétique des réacteurs de fusion nucléaire. Jusqu’à présent, il n’était pas possible de réaliser des simulations à l’échelle atomique de ces interactions. Grâce à l’apprentissage automatique, les nombreux petits changements dans le plasma qui se produisent lorsqu’il frappe les parois de rétention du réacteur peuvent maintenant être modélisés.

Les algorithmes d’apprentissage automatique excellent dans la recherche de modèles dans les données, en apprenant les diverses caractéristiques qui définissent un objet. Puisque les algorithmes d’apprentissage automatique peuvent appliquer les modèles qu’ils ont vus précédemment pour classer des événements non vus, ils ont été utiles pour éliminer une grande partie des essais et erreurs impliqués dans l’optimisation du processus de fusion. Thompson a expliqué que lorsque le plasma est créé à l’intérieur d’une chambre de fusion, les parois du réacteur sont constamment frappées par des particules d’éléments tels que l’hélium, l’hydrogène et le deutérium, car ces éléments constituent un nuage de plasma. Lorsque le plasma frappe les parois de rétention du réacteur, il modifie les parois de manière petite mais potentiellement critique. La composition des parois elles-mêmes modifie le nuage de plasma à son tour. Ce cycle de réactions se produit à des températures approximativement identiques à celles trouvées sur le Soleil, et il dure seulement des nanosecondes. L’optimisation de ce processus implique un processus fastidieux de modification des composants des parois du réacteur, puis de mesure directe de la façon dont les résultats ont changé.

Thompson et d’autres chercheurs ont entrepris d’expérimenter avec de grands ensembles de données composés de calculs de mécanique quantique, en formant un modèle qui pourrait prédire l’énergie de diverses configurations atomiques. Le résultat a été le potentiel interatomique d’apprentissage automatique (MLIAP). Les algorithmes peuvent être utilisés pour examiner les interactions entre un nombre relativement faible d’atomes, en mettant à l’échelle le modèle à des millions d’atomes nécessaires pour simuler les interactions entre les composants du processus de fusion. Selon Thompson, les modèles que l’équipe de recherche a conçus nécessitaient des milliers de paramètres pour être des simulations utiles.

Afin que le modèle reste utile, il doit y avoir un chevauchement significatif entre les environnements qui se manifestent dans la fusion et les données de formation. Il existe une large gamme d’environnements de fusion possibles, donc les chercheurs devront constamment capturer des données et apporter des modifications au modèle. Thomas a expliqué via Phys.org:

“Notre modèle sera d’abord utilisé pour interpréter de petites expériences. Inversement, ces données expérimentales seront utilisées pour valider notre modèle, qui pourra ensuite être utilisé pour faire des prédictions sur ce qui se passe dans un réacteur de fusion à grande échelle.”

Les algorithmes ne sont pas encore prêts pour être utilisés par les chercheurs en fusion nucléaire réels. Cependant, Thompson et son équipe de recherche sont le premier groupe de chercheurs à tenter d’appliquer l’apprentissage automatique au problème de la paroi de plasma. L’équipe espère que dans quelques années, les modèles seront utilisés pour concevoir de meilleurs réacteurs de fusion.