기계 학습 알고리즘은 핵융합 반응기의 에너지 수율을 증가시킬 수 있다

Sandia National Laboratories의 연구진은 최근 핵융합 반응기의 에너지 출력을 개선하기 위한 기계 학습 알고리즘을 설계했다. 연구 팀은 핵융합 반응기의 벽 안에서 플라즈마와 재료 간의 상호 작용을 시뮬레이션하기 위해 AI 알고리즘을 사용했다.

원자 분열과 달리 원자 분열은 원자를 분열시키는 반면, 핵융합 반응에서 생성되는 에너지는 플라즈마의 생성을 통해 방출된다. 수소 원자는 플라즈마 구름을 생성하기 위해 초고온으로 가열되고, 이 구름은 내부의 입자가 서로 충돌하고 융합함으로써 에너지를 방출한다. 이 과정은 혼란스럽고, 과학자들이 핵융합 과정을 더 잘 제어할 수 있다면, 핵융합 반응기의 생성되는 에너지의 양이 크게 증가할 수 있다.

이 문제를 해결하는 연구진은 핵 반응기의 챔버 벽과 플라즈마 구름의 상호 작용에 대한 복잡한 시뮬레이션을 실행해야 한다.

Aidan Thompson에 따르면, 기계 학습 알고리즘은 극도로 복잡한 문제를 해결하는 것이 가능했다. Thompson과 다른 연구진은 에너지부 과학 사무소에서 핵융합 반응기의 에너지 출력을 개선하기 위해 기계 학습을 어떻게 사용할 수 있는지 결정하도록 임무를 받았다. 지금까지 원자 수준의 이러한 상호 작용에 대한 시뮬레이션을 수행하는 것이 불가능했다. 기계 학습 덕분에 반응기 유지 벽에 발생하는 플라즈마의 많은 작은 변화가 모델링될 수 있다.

기계 학습 알고리즘은 데이터 내에서 패턴을 찾는 데 뛰어나며, 객체를 정의하는 다양한 특징을 학습한다. 기계 학습 알고리즘이 이전에 본 패턴을 적용하여 보이지 않는 이벤트를 분류할 수 있기 때문에, 핵융합 과정을 최적화하는 데 필요한 많은 시도와 오류를 제거하는 데 유용했다. Thompson은 핵융합 챔버 내에서 플라즈마가 생성될 때, 반응기의 벽은 끊임없이 헬륨, 수소, 중수소와 같은 원소의 입자에 의해 충격을 받으며, 이러한 원소가 플라즈마 구름을 구성한다고 설명했다. 플라즈마가 반응기의 유지 벽에 충격을 가할 때, 그것은 벽을 작은 nhưng 잠재적으로 중요한 방식으로 변경한다. 벽 자체의 구성은 플라즈마 구름을 변경한다. 이 반응의 주기는 약 나노초 동안 지속되며, 태양의 온도와 거의 동일하다. 이 과정을 최적화하는 것은 반응기 벽의 구성 요소를 수정한 다음 결과가 어떻게 변경되는지 직접 측정하는 고통스러운 과정이다.

Thompson과 다른 연구진은 양자 역학 계산으로 구성된 대규모 데이터 세트를 사용하여 원자 구성의 에너지를 예측할 수 있는 모델을 훈련시키기 위해 실험을 시작했다. 결과는 기계 학습 상호 원자 포텐셜(MLIAP)이었다. 알고리즘은 상대적으로 작은 수의 원자 간의 상호 작용을 검사하는 데 사용될 수 있으며, 핵융합 과정을 모방하기 위해 모델을 수백만 개로 확대할 수 있다. Thompson에 따르면, 연구 팀이 설계한 모델은 유용한 시뮬레이션이 되기 위해 수천 개의 매개 변수가 필요했다.

모델이 여전히 유용하게 유지되기 위해서는 융합과 훈련 데이터가 나타나는 환경 사이에 상당한 중첩이 있어야 한다. 가능한 융합 환경은 다양하므로, 연구진은不断으로 데이터를 캡처하고 모델을 수정해야 한다. Thomas는 Phys.org를 통해 다음과 같이 설명했다.

“우리의 모델은 처음에 작은 실험을 해석하는 데 사용될 것이다. 반대로, 그 실험 데이터는 우리의 모델을 검증하는 데 사용되며, 이는 전체 규모의 핵융합 반응기에서 발생하는 것을 예측하는 데 사용될 수 있다.”

알고리즘은 아직 실제 핵융합 연구자들이 사용할 준비가 되지 않았다. 그러나 Thompson과 그의 연구 팀은 플라즈마-벽 문제에 기계 학습을 적용하려는 첫 번째 연구진이다. 팀은 몇 년 안에 모델이 더 나은 핵융합 반응기를 설계하는 데 사용될 수 있기를หว한다.