Gli algoritmi di apprendimento automatico potrebbero aumentare il rendimento energetico dei reattori nucleari a fusione

I ricercatori del Sandia National Laboratories hanno recentemente progettato algoritmi di apprendimento automatico intesi a migliorare la produzione di energia dei reattori nucleari a fusione. Il team di ricerca ha utilizzato algoritmi di intelligenza artificiale per simulare le interazioni tra plasma e materiali all’interno delle pareti di un reattore nucleare a fusione.

A differenza della fissione nucleare, che consiste nel dividere gli atomi, l’energia creata dalle reazioni di fusione rilascia energia attraverso la creazione di plasma. Gli atomi di idrogeno vengono surriscaldati per creare una nuvola di plasma e questa nuvola rilascia energia quando le particelle al suo interno si scontrano e si fondono. Questo processo è caotico e se gli scienziati potessero controllare meglio il processo di fusione, potrebbe portare a aumenti sostanziali nella quantità di energia utilizzabile prodotta dai reattori nucleari a fusione.

I ricercatori che lavorano per risolvere questo problema devono eseguire simulazioni complesse su come le pareti della camera del reattore nucleare interagiscono con la nuvola di plasma.

Secondo Aidan Thompson, gli algoritmi di apprendimento automatico hanno reso possibile risolvere un problema estremamente complesso. Thompson e altri ricercatori sono stati incaricati dal Dipartimento dell’Energia dell’Ufficio della Scienza di determinare come l’apprendimento automatico possa migliorare la produzione di energia dei reattori nucleari a fusione. Fino ad ora, non era possibile eseguire simulazioni atomiche di queste interazioni. Grazie all’apprendimento automatico, i numerosi piccoli cambiamenti nel plasma che si verificano quando colpisce le pareti del reattore possono ora essere modellati.

Gli algoritmi di apprendimento automatico eccellono nel trovare modelli all’interno dei dati, imparando le varie caratteristiche che definiscono un oggetto. Poiché gli algoritmi di apprendimento automatico possono applicare modelli che hanno visto in precedenza per classificare eventi non visti, sono stati utili per eliminare gran parte della prova e dell’errore coinvolta nell’ottimizzazione del processo di fusione. Thompson ha spiegato che quando il plasma viene creato all’interno di una camera di fusione, le pareti del reattore vengono costantemente colpite da particelle di elementi come elio, idrogeno e deuterio, poiché questi elementi costituiscono una nuvola di plasma. Quando il plasma colpisce le pareti del reattore, le altera in modi piccoli ma potenzialmente critici. La composizione delle pareti stesse altera la nuvola di plasma a sua volta. Questo ciclo di reazioni si verifica a temperature approssimativamente uguali a quelle del Sole e dura solo nanosecondi. Ottimizzare questo processo comporta un processo laborioso di modifica dei componenti delle pareti del reattore e quindi di misurazione diretta di come sono cambiati i risultati.

Thompson e altri ricercatori hanno iniziato a sperimentare con grandi set di dati composti da calcoli di meccanica quantistica, addestrando un modello che potesse prevedere l’energia di varie configurazioni atomiche. Il risultato è stato il potenziale interatomico di apprendimento automatico (MLIAP). Gli algoritmi possono essere utilizzati per esaminare le interazioni tra un numero relativamente piccolo di atomi, scalando il modello fino a milioni necessari per simulare le interazioni tra componenti del processo di fusione. Secondo Thompson, i modelli progettati dal team di ricerca richiedevano migliaia di parametri per essere utili simulazioni.

Affinché il modello rimanga utile, deve esserci un sovrapposizione significativa tra gli ambienti che si manifestano nella fusione e i dati di addestramento. Esiste una vasta gamma di ambienti di fusione possibili, quindi i ricercatori dovranno continuamente catturare dati e apportare modifiche al modello. Thomas ha spiegato via Phys.org:

“Il nostro modello verrà inizialmente utilizzato per interpretare piccoli esperimenti. Al contrario, quei dati sperimentali verranno utilizzati per convalidare il nostro modello, che può quindi essere utilizzato per fare previsioni su ciò che sta accadendo in un reattore a fusione a piena scala”.

Gli algoritmi non sono ancora pronti per l’uso da parte di ricercatori reali di fusione nucleare. Tuttavia, Thompson e il suo team di ricerca sono il primo gruppo di ricercatori a tentare di applicare l’apprendimento automatico al problema plasma-parete. La squadra spera che tra pochi anni, i modelli saranno utilizzati per progettare reattori a fusione migliori.