Algoritma Pembelajaran Mesin Dapat Meningkatkan Hasil Energi Reaktor Fusi Nuklir

Peneliti dari Sandia National Laboratories baru-baru ini merancang algoritma pembelajaran mesin yang dimaksudkan untuk meningkatkan hasil energi reaktor fusi nuklir. Tim peneliti menggunakan algoritma AI untuk mensimulasikan interaksi antara plasma dan bahan dalam dinding reaktor fusi nuklir nuklir.

Tidak seperti fisi nuklir, yang melibatkan pemisahan atom, energi yang dihasilkan oleh reaksi fusi melepaskan energi melalui pembentukan plasma. Atom hidrogen dipanaskan sampai menciptakan awan plasma dan awan ini melepaskan energi ketika partikel-partikel di dalamnya bertabrakan dan bergabung. Proses ini kacau, dan jika para ilmuwan dapat lebih mengontrol proses fusi, itu dapat menyebabkan peningkatan besar dalam jumlah energi yang dapat digunakan yang dihasilkan oleh reaktor fusi nuklir.

Peneliti yang bekerja pada pemecahan masalah ini perlu menjalankan simulasi kompleks tentang bagaimana dinding kamar reaktor nuklir berinteraksi dengan awan plasma.

Menurut Aidan Thompson, algoritma pembelajaran mesin membuat memecahkan masalah yang luar biasa kompleks menjadi mungkin. Thompson dan peneliti lainnya telah ditugaskan oleh Departemen Energi Kantor Sains untuk menentukan bagaimana pembelajaran mesin dapat meningkatkan hasil energi reaktor fusi nuklir. Sampai sekarang, tidaklah memungkinkan untuk melakukan simulasi skala atom dari interaksi ini. Berkat pembelajaran mesin, perubahan kecil dalam plasma yang terjadi ketika mengenai dinding penahan reaktor sekarang dapat dimodelkan.

Algoritma pembelajaran mesin unggul dalam menemukan pola dalam data, mempelajari berbagai fitur yang mendefinisikan suatu objek. Karena algoritma pembelajaran mesin dapat menerapkan pola yang telah mereka lihat sebelumnya untuk mengklasifikasikan peristiwa yang tidak terlihat, mereka berguna untuk menghilangkan sebagian besar trial dan error yang terlibat dalam mengoptimalkan proses fusi. Thompson menjelaskan bahwa ketika plasma dibuat di dalam kamar fusi, dinding reaktor terus-menerus terkena partikel-partikel elemen seperti helium, hidrogen, dan deuterium, karena elemen-elemen ini merupakan awan plasma. Ketika plasma mengenai dinding penahan reaktor, itu mengubah dinding dalam cara-cara kecil tetapi potensial kritis. Komposisi dinding itu sendiri mengubah awan plasma pada gilirannya. Siklus reaksi ini terjadi pada suhu yang sama dengan suhu yang ditemukan di Matahari, dan berlangsung hanya beberapa nanodetik. Mengoptimalkan proses ini melibatkan proses yang melelahkan dari memodifikasi komponen dinding reaktor dan kemudian langsung mengukur bagaimana hasilnya berubah.

Thompson dan peneliti lainnya berusaha untuk bereksperimen dengan set data besar yang terdiri dari perhitungan mekanika kuantum, melatih model yang dapat memprediksi energi dari berbagai konfigurasi atom. Hasilnya adalah potensial interatomik pembelajaran mesin (MLIAP). Algoritma dapat digunakan untuk memeriksa interaksi antara sejumlah kecil atom, mengukur model ke jutaan yang diperlukan untuk meniru interaksi antara komponen proses fusi. Menurut Thompson, model yang dirancang oleh tim peneliti memerlukan ribuan parameter agar dapat menjadi simulasi yang berguna.

Agar model tetap berguna, harus ada tumpang tindih yang signifikan antara lingkungan yang muncul dalam fusi dan data pelatihan. Ada berbagai lingkungan fusi yang mungkin, sehingga peneliti harus terus-menerus menangkap data dan membuat perubahan pada model. Thomas menjelaskan melalui Phys.org:

“Model kami pertama-tama akan digunakan untuk menafsirkan eksperimen kecil. Sebaliknya, data eksperimen itu akan digunakan untuk memvalidasi model kami, yang kemudian dapat digunakan untuk membuat prediksi tentang apa yang terjadi dalam reaktor fusi skala penuh.”

Algoritma belum siap untuk digunakan oleh peneliti fusi nuklir yang sebenarnya. Namun, Thompson dan tim penelitiannya adalah kelompok peneliti pertama yang mencoba menerapkan pembelajaran mesin pada masalah plasma-dinding. Tim ini berharap bahwa dalam beberapa tahun, model tersebut akan digunakan untuk merancang reaktor fusi yang lebih baik.