Algoritme voor het voorspellen van planetenbanen kan sleutel zijn tot een eindeloze energiebron

Een computeralgoritme ontwikkeld door een wetenschapper bij het Princeton Plasma Physics Laboratory (PPPL) van het Amerikaanse ministerie van Energie (DOE) kan de baan van planeten in het zonnestelsel nauwkeurig voorspellen. Het algoritme gebruikt kunstmatige intelligentie (AI) om voorspellingen te doen op basis van eerdere ervaringen.

Nu worden de fundamenten van dat algoritme aangepast in andere domeinen, met name bij het voorspellen en controleren van plasma in fusie-installaties. Deze installaties kunnen fusie-energie opwekken, die de zon en sterren aandrijft, op aarde.

Hong Qin is een natuurkundige bij PPPL en auteur van het artikel dat is gepubliceerd in Scientific Reports.

“Meestal in de natuurkunde, doe je observaties, creëer je een theorie op basis van die observaties en gebruik je die theorie om nieuwe observaties te voorspellen,” zei Qin. “Wat ik doe, is dit proces vervangen door een soort black box die nauwkeurige voorspellingen kan doen zonder een traditionele theorie of wet te gebruiken.”

De Computer Programma

Het computerprogramma dat door Qin is ontwikkeld, gebruikt gegevens van eerdere observaties over de banen van de aarde, Mars, Mercurius, Venus, Jupiter en de dwergplaneet Ceres. Met een “servicing-algoritme” kunnen nauwkeurige voorspellingen van de banen van andere planeten worden gedaan, allemaal zonder het gebruik van Newtons wetten van beweging en zwaartekracht.

“In wezen, heb ik alle fundamentele ingrediënten van de natuurkunde omzeild. Ik ga rechtstreeks van gegevens naar gegevens,” zei Qin. “Er is geen wet van de natuurkunde in het midden.”

Joshua Burby is een natuurkundige bij het Los Alamos National Laboratory van het DOE. Hij heeft een PhD behaald onder Qin.

“Hong heeft het programma geleerd om de onderliggende principes te gebruiken die door de natuur worden gebruikt om de dynamica van elk fysiek systeem te bepalen,” zei Burby. “De uitbetaling is dat het netwerk de wetten van de planetenbeweging leert na het zien van slechts een paar trainingsvoorbeelden. Met andere woorden, zijn code leert echt de wetten van de natuurkunde.”

Fusie-experimenten

Deze principes en theorieën worden nu aangepast door Qi en Eric Palmerduca, die een graduate student is in het Princeton University Program in Plasma Physics. Het duo probeert ze te gebruiken om het gedrag van plasma-deeltjes in fusie-experimenten te voorspellen, die over de hele wereld plaatsvinden.

Fusie is het combineren van lichte elementen in de vorm van plasma, en het is de kracht achter sterren en de zon. Plasma vertegenwoordigt 99% van het zichtbare universum en heeft het potentieel om enorme hoeveelheden energie op te wekken. Als wetenschappers fusie op aarde kunnen repliceren, zou dit ons een eindeloze energiebron voor elektriciteit geven.

“In een magnetische fusie-apparaat zijn de dynamica van plasma complex en multi-schaal, en de effectieve regelgevende wetten of computationele modellen voor een bepaald fysiek proces dat we interessant vinden, zijn niet altijd duidelijk,” zei Qin. “In deze scenario’s kunnen we de machine learning-techniek die ik heb ontwikkeld toepassen om een discrete veldtheorie te creëren en vervolgens deze discrete veldtheorie toepassen om nieuwe experimentele observaties te begrijpen en te voorspellen.”

De wetenschappers geloven ook dat deze nieuwe techniek een traditionele natuurkundige theorie kan ontwikkelen.

Terwijl deze methode in zekere zin het noodzakelijke van een dergelijke theorie uitsluit, kan het ook worden gezien als een pad naar een dergelijke theorie,” zei Palmerduca. “Wanneer je een theorie probeert af te leiden, wil je zo veel mogelijk gegevens tot je beschikking hebben. Als je gegevens krijgt, kun je machine learning gebruiken om gaten in die gegevens te vullen of het gegevensbestand anderszins uit te breiden.”