核融合炉のエネルギー収量を高めることができるマシンラーニングアルゴリズム

サンディア国立研究所の研究者は最近、マシンラーニングアルゴリズムを設計しました。これは、核融合炉のエネルギー出力を改善することを目的としています。研究チームは、AIアルゴリズムを使用して、核融合炉の壁内のプラズマと材料の相互作用をシミュレートしました。

核分裂とは異なり、核融合では原子を分割するのではなく、プラズマの生成によってエネルギーが放出されます。水素原子を超高温に加熱してプラズマ雲を生成し、この雲が内部の粒子が衝突して融合することでエネルギーを放出します。このプロセスはカオティックであり、科学者が融合プロセスをより良く制御できるようになれば、核融合炉によって生成される利用可能なエネルギーの量が大幅に増加する可能性があります。

この問題を解決しようとしている研究者は、核炉のチャンバー壁とプラズマ雲の相互作用に関する複雑なシミュレーションを実行する必要があります。

エイダン・トンプソンによると、マシンラーニングアルゴリズムは、非常に複雑な問題を解決することを可能にしました。トンプソンと他の研究者は、エネルギー省科学局から、核融合炉のエネルギー出力を改善するためにマシンラーニングをどのように使用できるかを調査するように依頼されました。以前は、原子スケールでのこれらの相互作用のシミュレーションを実行することは実行可能ではありませんでした。マシンラーニングのおかげで、プラズマが反応器の保持壁に当たったときに発生する多くの小さな変化をモデル化することができます。

マシンラーニングアルゴリズムは、データ内でパターンを見つけることに優れています。オブジェクトを定義するさまざまな特徴を学習することができます。マシンラーニングアルゴリズムは、前に見たパターンを未知のイベントに適用して分類することができるため、融合プロセスを最適化する際の試行錯誤の多くを排除するのに役立ちます。トンプソンは、融合チャンバー内でプラズマが生成されると、ヘリウム、水素、重水素などの元素の粒子が反応器の壁に当たり、壁を小さくても重要な方法で変更することを説明しました。壁の組成はその逆にプラズマ雲を変更します。この反応のサイクルは、太陽上で見られる温度で発生し、ナノ秒単位の時間しか続きません。プロセスを最適化するには、反応器の壁のコンポーネントを変更し、結果がどのように変化するかを直接測定するという痛みを伴うプロセスが必要です。

トンプソンと他の研究者は、量子力学の計算で構成される大規模なデータセットを使用して、さまざまな原子構成のエネルギーを予測できるモデルをトレーニングすることを目指しました。結果は、マシンラーニングインターアトミックポテンシャル（MLIAP）でした。アルゴリズムは、相対的に少数の原子の相互作用を調査するために使用できますが、融合プロセスのコンポーネント間の相互作用を模倣するために必要な数百万にスケールアップするモデルです。トンプソンによると、研究チームが設計したモデルは、有用なシミュレーションになるために数千のパラメータを必要としました。

モデルが有用なままであるためには、融合とトレーニングデータで現れる環境の間に大きな重複が必要です。融合環境の可能性は広範囲にわたるため、研究者はデータを継続的にキャプチャし、モデルを変更する必要があります。トーマスはPhys.orgを通じて次のように説明しています。

「当初、モデルは小規模な実験を解釈するために使用されます。一方、実験データはモデルを検証するために使用され、後にフルスケールの核融合炉で何が起こっているかについて予測を行うために使用されます」

アルゴリズムはまだ実用的ではありません。ただし、トンプソンと彼の研究チームは、プラズマ・壁問題にマシンラーニングを適用しようとした最初の研究グループです。チームは、数年以内にモデルがより優れた核融合炉を設計するために使用されることを期待しています。