Machine Learning Algoritmen Kunnen de Energieopbrengst van Kernfusie Reactoren Verhogen

Onderzoekers van Sandia National Laboratories hebben onlangs machine learning algoritmen ontworpen 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 betreft, wordt de energie die door fusie-reacties wordt gegenereerd, vrijgemaakt 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 fusie-proces beter kunnen controleren, kan dit leiden tot een aanzienlijke toename van de hoeveelheid bruikbare energie die door kernfusie reactoren wordt gegenereerd.

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

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 opgedragen om te onderzoeken hoe machine learning de energieopbrengst van kernfusie reactoren kan verbeteren. Tot nu toe was het niet mogelijk om atoom-schaal simulaties van deze interacties uit te voeren. Dankzij machine learning kunnen de vele kleine veranderingen in het plasma die optreden wanneer het de wanden van de reactor raakt, nu worden gemodelleerd.

Machine learning algoritmen zijn uitstekend in het vinden van patronen in data, het leren van de verschillende kenmerken die een object definiëren. Omdat machine learning algoritmen patronen die ze eerder hebben gezien, kunnen toepassen om ongeziene gebeurtenissen te classificeren, waren ze nuttig om veel van de trial en error die bij het optimaliseren van het fusie-proces betrokken zijn, te elimineren. Thompson legde uit dat wanneer plasma wordt gecreëerd in een fusie-kamer, de wanden van de reactor constant worden geraakt door deeltjes van elementen zoals helium, waterstof en deuterium, omdat deze elementen een plasma-wolk vormen. Wanneer het plasma de wanden van de reactor raakt, verandert het 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 die ongeveer hetzelfde zijn als die op de zon, en duurt slechts nanoseconden. Het optimaliseren van dit proces vereist een pijnlijk proces van het modificeren van componenten van de reactorwand en het meten van de resultaten.

Thompson en andere onderzoekers hebben grote datasets van kwantummechanica-berekeningen samengesteld, en een model getraind dat de energie van verschillende atoomconfiguraties kon voorspellen. Het resultaat was het machine learning interatomische potentieel (MLIAP). De algoritmen kunnen worden gebruikt om interacties tussen een relatief klein aantal atomen te onderzoeken, en het model kan worden geschaald om de miljoenen te simuleren die nodig zijn om interacties tussen componenten van het fusie-proces 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 in fusie optreden en de trainingsdata. Er is een breed scala aan mogelijke fusie-omgevingen, dus de onderzoekers zullen constant data 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 data worden gebruikt om ons model te valideren, dat vervolgens kan worden gebruikt om voorspellingen te doen over wat er gebeurt in een volledige 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 machine learning op het plasma-wandprobleem hebben toegepast. Het team hoopt dat over een paar jaar de modellen zullen worden gebruikt om betere fusie-reactoren te ontwerpen.