मशीन लर्निंग एल्गोरिदम परमाणु संलयन रिएक्टरों की ऊर्जा उपज बढ़ा सकते हैं

से शोधकर्ताओं Sandia राष्ट्रीय प्रयोगशालाओं हाल ही में डिज़ाइन किया गया मशीन लर्निंग एल्गोरिदम इसका उद्देश्य परमाणु संलयन रिएक्टरों के ऊर्जा उत्पादन में सुधार करना है. अनुसंधान टीम ने दीवारों के भीतर प्लाज्मा और सामग्रियों के बीच बातचीत को अनुकरण करने के लिए एआई एल्गोरिदम का उपयोग किया परमाणु संलयन रिएक्टर.

परमाणु विखंडन के विपरीत, जिसमें परमाणुओं को अलग करना शामिल होता है, संलयन प्रतिक्रियाओं द्वारा बनाई गई ऊर्जा प्लाज्मा के निर्माण के माध्यम से ऊर्जा जारी करती है। प्लाज्मा बादल बनाने के लिए हाइड्रोजन परमाणुओं को अत्यधिक गर्म किया जाता है और यह बादल ऊर्जा छोड़ता है क्योंकि इसके भीतर के कण एक दूसरे से टकराते हैं और एक साथ जुड़ जाते हैं। यह प्रक्रिया अव्यवस्थित है, और यदि वैज्ञानिक संलयन प्रक्रिया को बेहतर ढंग से नियंत्रित कर सकते हैं, तो इससे परमाणु संलयन रिएक्टरों द्वारा बनाई गई उपयोग योग्य ऊर्जा की मात्रा में पर्याप्त वृद्धि हो सकती है।

इस समस्या को हल करने पर काम करने वाले शोधकर्ताओं को परमाणु रिएक्टर की कक्ष की दीवारें प्लाज्मा क्लाउड के साथ कैसे बातचीत करती हैं, इसके बारे में जटिल सिमुलेशन चलाने की आवश्यकता है।

एडन थॉम्पसन के अनुसार, मशीन लर्निंग एल्गोरिदम ने एक असाधारण जटिल समस्या को हल करना संभव बना दिया है। विज्ञान विभाग के ऊर्जा कार्यालय द्वारा थॉम्पसन और अन्य शोधकर्ताओं को यह निर्धारित करने का काम सौंपा गया है कि मशीन लर्निंग परमाणु संलयन रिएक्टरों के ऊर्जा उत्पादन में कैसे सुधार कर सकती है। अब तक, इन अंतःक्रियाओं का परमाणु-स्तर पर अनुकरण करना संभव नहीं था। मशीन लर्निंग की बदौलत, रिएक्टर की रिटेनिंग दीवारों से टकराने पर प्लाज्मा में होने वाले कई छोटे बदलावों को अब मॉडल किया जा सकता है।

मशीन लर्निंग एल्गोरिदम डेटा के भीतर पैटर्न खोजने, किसी ऑब्जेक्ट को परिभाषित करने वाली विभिन्न विशेषताओं को सीखने में उत्कृष्टता प्राप्त करते हैं। क्योंकि मशीन लर्निंग एल्गोरिदम अनदेखी घटनाओं को वर्गीकृत करने के लिए पहले देखे गए पैटर्न को लागू कर सकते हैं, वे संलयन प्रक्रिया को अनुकूलित करने में शामिल अधिकांश परीक्षण और त्रुटि को खत्म करने के लिए उपयोगी थे। थॉम्पसन ने बताया कि जब प्लाज्मा एक संलयन कक्ष के अंदर बनाया जाता है, तो रिएक्टर की दीवारें लगातार हीलियम, हाइड्रोजन और ड्यूटेरियम जैसे तत्वों के कणों से टकराती हैं, क्योंकि ये तत्व एक प्लाज्मा बादल का निर्माण करते हैं। जब प्लाज्मा रिएक्टर की रिटेनिंग दीवारों से टकराता है, तो यह दीवारों को छोटे-छोटे संभावित महत्वपूर्ण तरीकों से बदल देता है। दीवारों की संरचना स्वयं प्लाज्मा बादल को बदल देती है। प्रतिक्रियाओं का यह चक्र लगभग उसी तापमान पर होता है जो सूर्य पर पाया जाता है, और वे केवल नैनोसेकंड तक चलते हैं। इस प्रक्रिया को अनुकूलित करने में रिएक्टर की दीवारों के घटकों को संशोधित करने और फिर सीधे यह मापने की श्रमसाध्य प्रक्रिया शामिल है कि परिणाम कैसे बदले।

थॉम्पसन और अन्य शोधकर्ता क्वांटम यांत्रिकी गणनाओं से युक्त बड़े डेटा सेट के साथ प्रयोग करने के लिए निकले, एक मॉडल का प्रशिक्षण किया जो विभिन्न परमाणु विन्यासों की ऊर्जा की भविष्यवाणी कर सकता है। परिणाम मशीन लर्निंग इंटरटॉमिक पोटेंशियल (MLIAP) था। एल्गोरिदम का उपयोग अपेक्षाकृत कम संख्या में परमाणुओं के बीच बातचीत की जांच करने के लिए किया जा सकता है, जिससे मॉडल को संलयन प्रक्रिया के घटकों के बीच बातचीत की नकल करने के लिए आवश्यक लाखों तक बढ़ाया जा सकता है। थॉम्पसन के अनुसार, अनुसंधान टीम द्वारा डिज़ाइन किए गए मॉडल को उपयोगी सिमुलेशन बनाने के लिए हजारों मापदंडों की आवश्यकता होती है।

मॉडल को उपयोगी बनाए रखने के लिए, फ़्यूज़न में प्रकट होने वाले वातावरण और प्रशिक्षण डेटा के बीच एक महत्वपूर्ण ओवरलैप होना चाहिए। संभावित संलयन वातावरण की एक विस्तृत श्रृंखला है, इसलिए शोधकर्ताओं को लगातार डेटा कैप्चर करना होगा और मॉडल में बदलाव करना होगा। थॉमस ने Phys.org के माध्यम से समझाया:

“हमारे मॉडल का उपयोग सबसे पहले छोटे प्रयोगों की व्याख्या करने के लिए किया जाएगा। इसके विपरीत, उस प्रायोगिक डेटा का उपयोग हमारे मॉडल को मान्य करने के लिए किया जाएगा, जिसका उपयोग पूर्ण पैमाने पर संलयन रिएक्टर में क्या हो रहा है, इसके बारे में भविष्यवाणी करने के लिए किया जा सकता है।

एल्गोरिदम अभी तक वास्तविक परमाणु संलयन शोधकर्ताओं द्वारा उपयोग के लिए तैयार नहीं हैं। हालाँकि, थॉम्पसन और उनकी शोध टीम प्लाज़्मा-दीवार समस्या पर मशीन लर्निंग को लागू करने का प्रयास करने वाले शोधकर्ताओं का पहला समूह है। टीम को उम्मीद है कि कुछ वर्षों में मॉडलों का उपयोग बेहतर फ्यूजन रिएक्टरों के इंजीनियर के लिए किया जाएगा।