Maskinlæringsalgoritmer kan øke energiutbyttet fra fusjonsreaktorer

Forskere fra Sandia National Laboratories har nylig designet maskinlæringsalgoritmer som er ment å forbedre energiutbyttet fra fusjonsreaktorer. Forskningsgruppen brukte AI-algoritmer til å simulere interaksjonene mellom plasma og materialer i veggene i en fusjonsreaktor.

I motsetning til kjernespaltning, som innebærer å splitte atomer, frigjør energien fra fusjonsreaksjoner energi gjennom skaping av plasma. Hydrogenatomer varmes opp til å skape en plasma-sky, og denne skyen frigjør energi når partiklene i den kolliderer og smelter sammen. Dette prosessen er kaotisk, og hvis forskerne kan kontrollere fusjonsprosessen bedre, kan det føre til betydelige økninger i mengden brukbar energi som skapes av fusjonsreaktorer.

Forskere som arbeider med å løse dette problemet må kjøre komplekse simuleringsmodeller for hvordan kammerveggene i en kjernereaktor interagerer med plasma-skyen.

Ifølge Aidan Thompson gjorde maskinlæringsalgoritmer det mulig å løse et usedvanlig komplekst problem. Thompson og andre forskere har blitt bedt av Department of Energy Office of Science om å bestemme hvordan maskinlæringsalgoritmer kan forbedre energiutbyttet fra fusjonsreaktorer. Før nå var det ikke mulig å utføre atom-skala simuleringsmodeller av disse interaksjonene. Takk til maskinlæringsalgoritmer kan de mange små endringene i plasma som skjer når det treffer veggene i reaktoren nå modelleres.

Maskinlæringsalgoritmer er spesielt gode til å finne mønster i data, og å lære de ulike egenskapene som definerer et objekt. Fordi maskinlæringsalgoritmer kan bruke mønster de har sett før til å klassifisere ukjente hendelser, var de nyttige for å eliminere mye av prøving og feil som er involvert i å optimalisere fusjonsprosessen. Thompson forklarte at når plasma skapes i en fusjonskammer, blir veggene i reaktoren konstant truffet av partikler av grunnstoffer som helium, hydrogen og deuterium, da disse grunnstoffene utgjør en plasma-sky. Når plasma-skyen treffer veggene i reaktoren, endrer den veggene på små, men potensielt kritiske måter. Sammensetningen av veggene selv endrer plasma-skyen igjen. Denne syklusen av reaksjoner skjer ved omtrent samme temperaturer som på solen, og varer bare nanosekunder. Å optimalisere denne prosessen innebærer en møysommelig prosess med å modifisere komponenter i reaktorveggene og deretter direkte måle hvordan resultater endrer seg.

Thompson og andre forskere satte ut til å eksperimentere med store datamengder bestående av kvantemekaniske beregninger, og trente en modell som kunne forutsi energien til ulike atomkonfigurasjoner. Resultatet var maskinlæringsinteratomisk potensial (MLIAP). Algoritmene kan brukes til å undersøke interaksjoner mellom et relativt lite antall atomer, og skalere opp modellen til millioner av atomer som er nødvendig for å simulere interaksjoner mellom komponenter i fusjonsprosessen. Ifølge Thompson, krevde modellene som forskningsgruppen designet tusenvis av parametre for å være nyttige simuleringsmodeller.

For at modellen skal forbli nyttig, må det være en betydelig overlapping mellom miljøene som oppstår i fusjon og treningdata. Det finnes en stor mengde mulige fusjonsmiljøer, så forskerne må konstant fange data og gjøre endringer i modellen. Thomas forklarte via Phys.org:

“Vår modell vil først bli brukt til å tolke små eksperimenter. Omvendt, vil denne eksperimentelle dataen bli brukt til å validere vår modell, som deretter kan brukes til å gjøre forutsigelser om hva som skjer i en fullskala fusjonsreaktor”.

Algoritmene er ikke klar for bruk av faktiske fusjonsforskere enda. Likevel er Thompson og hans forskningsgruppe den første gruppen forskere som har forsøkt å bruke maskinlæringsalgoritmer på plasma-vegg-problemet. Gruppen håper at om noen år, vil modellene bli brukt til å konstruere bedre fusjonsreaktorer.