אלגוריתמים של למידת מכונה יכולים להגדיל את תפוקת האנרגיה של כורים גרעיניים

חוקרים מ Sandia National Laboratories עיצבו לאחרונה אלגוריתמים של למידת מכונה שנועדו לשפר את תפוקת האנרגיה של כורים גרעיניים . צוות המחקר השתמש באלגוריתמים של AI כדי לחקות את האינטראקציות בין פלזמה לחומרים בתוך קירות כור גרעיני .

לא כמו ביקוע גרעיני, שכולל שבירת אטומים, האנרגיה שנוצרת על ידי תגובות היתוך משחררת אנרגיה דרך יצירת פלזמה. אטומי מימן מוחממים מאוד כדי ליצור ענן פלזמה וענן זה משחרר אנרגיה כאשר החלקיקים בתוכו פוגעים זה בזה ומתמזגים. תהליך זה הוא כאוטי, ואם המדענים יוכלו לשלוט טוב יותר על תהליך ההיתוך, זה יכול להוביל לעלייה משמעותית בכמות האנרגיה המיוצרת על ידי כורים גרעיניים.

החוקרים שעובדים על פתרון בעיה זו צריכים לרוץ סימולציות מורכבות בנוגע לאיך קירות התא של כור גרעיני מתאימים לענן הפלזמה.

לפי איידן תומפסון, אלגוריתמים של למידת מכונה הפכו את פתרון בעיה מורכבת באופן יוצא דופן לאפשרי. תומפסון וחוקרים אחרים הוטלו על ידי משרד האנרגיה של מחלקת המדע לקבוע כיצד למידת מכונה יכולה לשפר את תפוקת האנרגיה של כורים גרעיניים. עד עכשיו, לא היה ניתן לבצע סימולציות בקנה מידה אטומי של אינטראקציות אלה. הודות ללמידת מכונה, הרבה שינויים קטנים בפלזמה שקורים כאשר היא פוגעת בקירות המעצור של הכור יכולים עכשיו להיות מודל.

אלגוריתמים של למידת מכונה מצטיינים במציאת תבניות בתוך נתונים, ללמוד את המאפיינים השונים המגדירים אובייקט. בגלל שאלגוריתמים של למידת מכונה יכולים ליישם תבניות שהם ראו לפני כן כדי לסווג אירועים שלא נראו, הם היו שימושיים להיפטר מחלק גדול מהניסויים והטעייה המעורבים באופטימיזציה של תהליך ההיתוך. תומפסון הסביר כי כאשר פלזמה נוצרת בתוך תא היתוך, קירות הכור פוגעים באופן קבוע בחלקיקים של יסודות כמו הליום, מימן ודוטריום, כיוון שיסודות אלה מרכיבים ענן פלזמה. כאשר הפלזמה פוגעת בקירות המעצור של הכור, היא משנה את הקירות בדרכים קטנות אך קריטיות. הרכב הקירות עצמו משנה את ענן הפלזמה בתורו. מחזור התגובות הזה מתרחש בטמפרטורות דומות לאלה שנמצאות על השמש, והם נמשכים רק ננושניות. אופטימיזציה של תהליך זה כוללת תהליך מייגע של שינוי רכיבים של קירות הכור ואז מדידה ישירה של האופן שבו התוצאות השתנו.

תומפסון וחוקרים אחרים יצאו לנסות עם סטים גדולים של נתונים המורכבים מחישובים של מכניקת קוונטית, אימון דגם שיכול לחזות את האנרגיה של קונפיגורציות אטומיות שונות. התוצאה הייתה הפוטנציאל הבין-אטומי של למידת מכונה (MLIAP). האלגוריתמים יכולים לשמש כדי לבחון אינטראקציות בין מספר קטן יחסית של אטומים, הגדלה של המודל למיליונים הנדרשים כדי לחקות אינטראקציות בין רכיבים של תהליך ההיתוך. לפי תומפסון, המודלים שצוות המחקר עיצב דרשו אלפי פרמטרים כדי להיות סימולציות שימושיות.

כדי למודל להישאר שימושי, חייב להיות חפיפה משמעותית בין הסביבות שמתממשות בהיתוך ונתוני האימון. יש מגוון רחב של סביבות היתוך אפשריות, לכן החוקרים יצטרכו לתפוס נתונים באופן קבוע ולעשות שינויים במודל. תומפסון הסביר דרך Phys.org:

“המודל שלנו תחילה יישמש לפרש ניסויים קטנים. להפך, נתוני הניסוי יישמשו לאמת את המודל שלנו, שיכול לשמש לעשות חיזויים על מה שקורה בכור היתוך מלא. ”

האלגוריתמים אינם מוכנים לשימוש על ידי חוקרי היתוך גרעיני אמיתיים עדיין. עם זאת, תומפסון וצוות המחקר שלו הם הקבוצה הראשונה של חוקרים שניסו ליישם למידת מכונה לבעיה של קיר-פלזמה. הצוות מקווה שבעוד מספר שנים, המודלים יישמשו להנדסת כורים טובים יותר.