Les algorithmes d'apprentissage automatique pourraient augmenter le rendement énergétique des réacteurs à fusion nucléaire

Des chercheurs de Sandia National Laboratories algorithmes d'apprentissage automatique récemment conçus destiné à améliorer le rendement énergétique des réacteurs à fusion nucléaire. L'équipe de recherche a utilisé des algorithmes d'intelligence artificielle pour simuler les interactions entre le plasma et les matériaux à l'intérieur des murs d'un réacteur à fusion nucléaire.

Contrairement à la fission nucléaire, qui consiste à séparer 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 s'entrechoquent et fusionnent. Ce processus est chaotique, et si les scientifiques peuvent mieux contrôler le processus de fusion, cela pourrait conduire à des augmentations substantielles de la quantité d'énergie utilisable créée par les réacteurs à fusion nucléaire.

Les chercheurs qui travaillent à résoudre ce problème doivent exécuter 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 permis de résoudre un problème extraordinairement complexe. Thompson et d'autres chercheurs ont été chargés par le Bureau des sciences du Département de l'Énergie de déterminer comment l'apprentissage automatique pourrait améliorer la production d'énergie des réacteurs à fusion nucléaire. Jusqu'à présent, il était impossible 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 heurte les parois du réacteur peuvent désormais être modélisés.

Les algorithmes d'apprentissage automatique excellent pour trouver des modèles dans les données, en apprenant les différentes caractéristiques qui définissent un objet. Étant donné que les algorithmes d'apprentissage automatique peuvent appliquer des modèles qu'ils ont déjà vus pour classer des événements invisibles, 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 comme l'hélium, l'hydrogène et le deutérium, car ces éléments constituent un nuage de plasma. Lorsque le plasma frappe les parois de soutènement du réacteur, il altère les parois de petites manières potentiellement critiques. La composition des parois elles-mêmes modifie à son tour le nuage de plasma. Ce cycle de réactions se produit à peu près aux mêmes températures que celles trouvées sur le Soleil et ne dure que quelques nanosecondes. L'optimisation de ce processus implique un processus minutieux de modification des composants des parois du réacteur, puis de mesure directe de l'évolution des résultats.

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

Pour 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 un large éventail d'environnements de fusion possibles, de sorte que les chercheurs devront constamment capturer des données et apporter des modifications au modèle. Thomas a expliqué via Phys.org :

« Notre modèle servira dans un premier temps à 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 à être utilisés par les chercheurs en fusion nucléaire. Cependant, Thompson et son équipe sont les premiers à tenter d'appliquer l'apprentissage automatique au problème de la paroi plasma. L'équipe espère que d'ici quelques années, les modèles serviront à concevoir de meilleurs réacteurs à fusion.