Machine Learning Algoritmen Kunnen de Energieopbrengst van Kernfusie Reactoren Verhogen

Onderzoekers van Sandia National Laboratories hebben onlangs machine learning algoritmen ontworpen die zijn bedoeld om de energieopbrengst van kernfusie reactoren te verbeteren. Het onderzoeksteam gebruikte AI-algoritmen om de interacties tussen plasma en materialen binnen de wanden van een kernfusie reactor te simuleren.

In tegenstelling tot kernsplijting, die het splitsen van atomen omvat, creëert de energie die wordt gegenereerd door fusiereacties energie door de creatie van plasma. Waterstofatomen worden superverhit om een plasma-wolk te creëren en deze wolk geeft energie af als de deeltjes erin tegen elkaar botsen en samen smelten. Dit proces is chaotisch, en als wetenschappers de fusieprocessen beter kunnen controleren, kan dit leiden tot een aanzienlijke toename van de hoeveelheid bruikbare energie die wordt gegenereerd door kernfusie reactoren.

Onderzoekers die werken aan het oplossen van dit probleem, moeten complexe simulaties uitvoeren over hoe de wanden van een kernreactor interactie hebben met de plasma-wolk.

Volgens Aidan Thompson maakten machine learning algoritmen het mogelijk om een buitengewoon complex probleem te kraken. Thompson en andere onderzoekers zijn door het Department of Energy Office of Science belast met het onderzoeken van hoe machine learning de energieopbrengst van kernfusie reactoren kan verbeteren. Tot nu toe was het niet haalbaar om atoom-schaal simulaties van deze interacties uit te voeren. Dankzij machine learning kunnen de vele kleine veranderingen in de plasma die optreden wanneer deze de wanden van de reactor raakt, nu worden gemodelleerd.

Machine learning algoritmen zijn uitstekend in het vinden van patronen binnen gegevens, het leren van de verschillende kenmerken die een object definiëren. Omdat machine learning algoritmen patronen die ze eerder hebben gezien, kunnen toepassen om ongezien evenementen te classificeren, waren ze nuttig voor het elimineren van veel van de trial and error die betrokken is bij het optimaliseren van het fusieproces. Thompson legde uit dat wanneer plasma wordt gegenereerd binnen een fusie-kamer, de wanden van de reactor constant worden geraakt door deeltjes van elementen zoals helium, waterstof en deuterium, aangezien deze elementen een plasma-wolk vormen. Wanneer de plasma de wanden van de reactor raakt, verandert deze de wanden op kleine maar potentieel kritieke manieren. De samenstelling van de wanden zelf verandert de plasma-wolk op zijn beurt. Deze cyclus van reacties vindt plaats bij temperaturen van ongeveer dezelfde als die op de zon, en duurt slechts nanoseconden. Het optimaliseren van dit proces houdt een pijnlijk proces van modificatie van componenten van de reactorwand en het meten van de resultaten in.

Thompson en andere onderzoekers zijn begonnen met experimenteren met grote datasets van kwantummechanica berekeningen, het trainen van een model dat de energie van verschillende atoomconfiguraties kon voorspellen. Het resultaat was de machine learning interatomische potentiaal (MLIAP). De algoritmen kunnen worden gebruikt om interacties tussen een relatief klein aantal atomen te onderzoeken, het opschalen van het model tot de miljoenen die nodig zijn om interacties tussen componenten van het fusieproces te simuleren. Volgens Thompson vereisten de modellen die het onderzoeksteam ontwierp duizenden parameters om nuttige simulaties te zijn.

Om het model nuttig te houden, moet er een significante overlap zijn tussen de omgevingen die optreden in fusie en de trainingsgegevens. Er is een breed scala aan mogelijke fusie-omgevingen, dus de onderzoekers zullen constant gegevens moeten verzamelen en het model moeten aanpassen. Thomas legde via Phys.org uit:

“Ons model zal aanvankelijk worden gebruikt om kleine experimenten te interpreteren. Omgekeerd zal de experimentele gegevens worden gebruikt om ons model te valideren, dat vervolgens kan worden gebruikt om voorspellingen te doen over wat er gebeurt in een volledig schaal fusie reactor.”

De algoritmen zijn nog niet klaar voor gebruik door echte kernfusie onderzoekers. Echter, Thompson en zijn onderzoeksteam zijn de eerste groep onderzoekers die hebben geprobeerd om machine learning toe te passen op het plasma-wand probleem. Het team hoopt dat over een paar jaar, de modellen zullen worden gebruikt om betere fusie reactoren te ontwerpen.