मशीन लर्निंग एल्गोरिदम न्यूक्लियर फ्यूजन रिएक्टर्स की ऊर्जा पैदावार को बढ़ा सकते हैं

सैंडिया नेशनल लेबोरेटरीज के शोधकर्ताओं ने हाल ही में मशीन लर्निंग एल्गोरिदम डिजाइन किए हैं जो न्यूक्लियर फ्यूजन रिएक्टर्स की ऊर्जा उत्पादन को बेहतर बनाने के लिए उपयोग किए जा सकते हैं। शोध टीम ने एआई एल्गोरिदम का उपयोग करके एक न्यूक्लियर फ्यूजन रिएक्टर की दीवारों के भीतर प्लाज्मा और सामग्री के बीच की प्रतिक्रियाओं का अनुकरण किया है।

न्यूक्लियर फिशन के विपरीत, जिसमें परमाणुओं को अलग किया जाता है, फ्यूजन प्रतिक्रियाओं से ऊर्जा का निर्माण होता है जो प्लाज्मा के निर्माण के माध्यम से होता है। हाइड्रोजन परमाणुओं को अत्यधिक गर्म किया जाता है ताकि एक प्लाज्मा बादल बनाया जा सके, और यह बादल ऊर्जा को छोड़ता है जब इसके भीतर के कण एक दूसरे से टकराते हैं और फ्यूज होते हैं। यह प्रक्रिया अराजक है, और यदि वैज्ञानिक फ्यूजन प्रक्रिया को बेहतर ढंग से नियंत्रित कर सकते हैं, तो यह न्यूक्लियर फ्यूजन रिएक्टर्स द्वारा उत्पादित ऊर्जा की मात्रा में काफी वृद्धि कर सकता है।

इस समस्या का समाधान करने वाले शोधकर्ताओं को एक न्यूक्लियर रिएक्टर के चैंबर की दीवारों के साथ प्लाज्मा की प्रतिक्रिया के बारे में जटिल सिमुलेशन चलाने की आवश्यकता होती है।

एडन थॉम्पसन के अनुसार, मशीन लर्निंग एल्गोरिदम ने एक असाधारण रूप से जटिल समस्या को हल करना संभव बना दिया है। थॉम्पसन और अन्य शोधकर्ताओं को ऊर्जा विभाग के विज्ञान कार्यालय द्वारा न्यूक्लियर फ्यूजन रिएक्टर्स की ऊर्जा उत्पादन में मशीन लर्निंग को बेहतर बनाने के तरीके खोजने का काम सौंपा गया है। अब तक, यह परमाणु-स्तर की सिमुलेशन चलाना संभव नहीं था। मशीन लर्निंग के कारण, रिएक्टर की दीवारों के साथ प्लाज्मा की प्रतिक्रिया में होने वाले कई छोटे परिवर्तन अब मॉडल किए जा सकते हैं।

मशीन लर्निंग एल्गोरिदम डेटा के भीतर पैटर्न खोजने में उत्कृष्ट होते हैं, जो किसी वस्तु की विभिन्न विशेषताओं को सीखते हैं। क्योंकि मशीन लर्निंग एल्गोरिदम देखे गए पैटर्न को अनदेखे घटनाओं को वर्गीकृत करने के लिए लागू कर सकते हैं, वे फ्यूजन प्रक्रिया को अनुकूलित करने में शामिल परीक्षण और त्रुटि को समाप्त करने में उपयोगी थे। थॉम्पसन ने समझाया कि जब एक फ्यूजन चैंबर के भीतर प्लाज्मा बनाया जाता है, तो रिएक्टर की दीवारें लगातार हीलियम, हाइड्रोजन और ड्यूटेरियम जैसे तत्वों के कणों से टकराती हैं, क्योंकि वे एक प्लाज्मा बादल बनाते हैं। जब प्लाज्मा रिएक्टर की दीवारों से टकराता है, तो यह दीवारों को छोटे लेकिन संभावित रूप से महत्वपूर्ण तरीकों से बदलता है। दीवारों की संरचना खुद प्लाज्मा बादल को बदल देती है। यह प्रतिक्रिया चक्र सूरज पर पाए जाने वाले तापमान के लगभग समान तापमान पर होता है और केवल नैनोसेकंड तक चलता है। इस प्रक्रिया को अनुकूलित करने में रिएक्टर की दीवारों के घटकों को संशोधित करने और फिर परिणामों में परिवर्तन को सीधे मापने की एक दर्दनाक प्रक्रिया शामिल है।

थॉम्पसन और अन्य शोधकर्ताओं ने क्वांटम मैकेनिक्स गणनाओं के बड़े डेटासेट के साथ प्रयोग करने का फैसला किया, जिसमें एक मॉडल को प्रशिक्षित किया गया जो विभिन्न परमाणु कॉन्फ़िगरेशन की ऊर्जा का अनुमान लगा सकता है। परिणाम मशीन लर्निंग इंटरएटोमिक पोटेंशियल (एमएलआईएपी) था। एल्गोरिदम का उपयोग एक छोटी संख्या में परमाणुओं के बीच की प्रतिक्रियाओं की जांच के लिए किया जा सकता है, मॉडल को फ्यूजन प्रक्रिया के घटकों के बीच की प्रतिक्रियाओं को अनुकरण करने के लिए लाखों तक बढ़ाया जा सकता है। थॉम्पसन के अनुसार, शोध टीम द्वारा डिजाइन किए गए मॉडल को उपयोगी सिमुलेशन बनाने के लिए हजारों पैरामीटर की आवश्यकता थी।

मॉडल को उपयोगी बनाने के लिए, फ्यूजन और प्रशिक्षण डेटा में दिखाई देने वाले वातावरण के बीच एक महत्वपूर्ण ओवरलैप होना चाहिए। फ्यूजन के वातावरण की एक विस्तृत श्रृंखला है, इसलिए शोधकर्ताओं को लगातार डेटा को कैप्चर करना होगा और मॉडल में बदलाव करना होगा। थॉम्पसन ने फिज़.ओर्ग के माध्यम से समझाया:

“हमारा मॉडल पहले छोटे प्रयोगों की व्याख्या करने के लिए उपयोग किया जाएगा। इसके विपरीत, उस प्रयोगात्मक डेटा का उपयोग हमारे मॉडल को मान्य करने के लिए किया जाएगा, जिसे फिर एक पूर्ण-सcale फ्यूजन रिएक्टर में क्या हो रहा है, इसके बारे में भविष्यवाणियां करने के लिए उपयोग किया जा सकता है।”

एल्गोरिदम अभी तक वास्तविक न्यूक्लियर फ्यूजन शोधकर्ताओं द्वारा उपयोग के लिए तैयार नहीं हैं। हालांकि, थॉम्पसन और उनकी शोध टीम पहले शोधकर्ताओं के समूह हैं जो प्लाज्मा-दीवार समस्या पर मशीन लर्निंग को लागू करने का प्रयास कर रहे हैं। टीम आशा करती है कि कुछ वर्षों में, मॉडल बेहतर फ्यूजन रिएक्टरों को इंजीनियर करने के लिए उपयोग किए जा रहे होंगे।