Algorytmy uczenia maszynowego mogą zwiększyć wydajność energetyczną reaktorów syntezy jądrowej

Naukowcy z Sandia National Laboratories niedawno opracowali algorytmy uczenia maszynowego mające na celu poprawę wydajności energetycznej reaktorów syntezy jądrowej. Zespół badawczy wykorzystał algorytmy AI do symulowania interakcji między plazmą a materiałami w ścianach reaktora syntezy jądrowej.

W przeciwieństwie do rozszczepienia jądrowego, które polega na rozszczepianiu atomów, energia wytwarzana przez reakcje syntezy uwalnia energię poprzez tworzenie plazmy. Atomy wodoru są nagrzewane do utworzenia chmury plazmy, a ta chmura uwalnia energię, gdy cząstki w niej zawarte zderzają się i łączą. Proces ten jest chaotyczny, a jeśli naukowcy będą mogli lepiej kontrolować proces syntezy, może to doprowadzić do znacznego zwiększenia ilości użytecznej energii wytwarzanej przez reaktory syntezy jądrowej.

Naukowcy, którzy pracują nad rozwiązaniem tego problemu, muszą prowadzić skomplikowane symulacje dotyczące interakcji między ścianami komory reaktora a chmurą plazmy.

Według Aidana Thompsona, algorytmy uczenia maszynowego umożliwiły rozwiązanie niezwykle złożonego problemu. Thompson i inni naukowcy zostali poproszeni przez Departament Energii Biuro Nauki, aby określić, w jaki sposób uczenie maszynowe może poprawić wydajność energetyczną reaktorów syntezy jądrowej. Do tej pory nie było możliwe przeprowadzanie symulacji na poziomie atomowym tych interakcji. Dzięki uczeniu maszynowemu, wiele małych zmian w plazmie, które występują, gdy uderza w ściany reaktora, może być teraz modelowanych.

Algorytmy uczenia maszynowego są doskonałe w wyszukiwaniu wzorców w danych, uczeniu się różnych cech, które definiują obiekt. Ponieważ algorytmy uczenia maszynowego mogą stosować wzorce, które widziały wcześniej, aby sklasyfikować niewidoczne zdarzenia, były one przydatne do wyeliminowania większości prób i błędów przy optymalizacji procesu syntezy. Thompson wyjaśnił, że gdy plazma jest tworzona wewnątrz komory syntezy, ściany reaktora są ciągle uderzane przez cząstki pierwiastków takich jak hel, wodór i deuter, ponieważ pierwiastki te składają się na chmurę plazmy. Gdy plazma uderza w ściany reaktora, zmienia je w małych, ale potencjalnie krytycznych sposób. Skład ścian samych w sobie zmienia chmurę plazmy. Ten cykl reakcji występuje w temperaturach podobnych do tych, które występują na Słońcu, i trwa tylko nanosekundy. Optymalizacja tego procesu wymaga bolesnego procesu modyfikowania składników ścian reaktora, a następnie bezpośredniego pomiaru, jak zmieniły się wyniki.

Thompson i inni naukowcy postanowili eksperymentować z dużymi zbiorami danych składającymi się z obliczeń mechaniki kwantowej, trenując model, który mógłby przewidzieć energię różnych konfiguracji atomów. Wynikiem było uczenie maszynowe potencjału międzyatomowego (MLIAP). Algorytmy mogą być wykorzystywane do badania interakcji między stosunkowo małą liczbą atomów, skalując model do milionów wymaganych do naśladowania interakcji między składnikami procesu syntezy. Według Thompsona, modele, które zespół badawczy zaprojektował, wymagały tysięcy parametrów, aby były użytecznymi symulacjami.

Aby model pozostał użyteczny, musi istnieć znaczące nakładanie się między środowiskami, które manifestują się w syntezie a danymi szkoleniowymi. Istnieje szeroki zakres możliwych środowisk syntezy, więc naukowcy będą musieli stale przechwytywać dane i wprowadzać zmiany w modelu. Thomas wyjaśnił za pośrednictwem Phys.org:

“Nasza pierwsza wersja modelu będzie wykorzystywana do interpretacji małych eksperymentów. Odwrotnie, dane eksperymentalne będą wykorzystywane do walidacji naszego modelu, który może być następnie wykorzystany do dokonywania przewidywań dotyczących tego, co dzieje się w pełnowymiarowym reaktorze syntezy”.

Algorytmy nie są jeszcze gotowe do użycia przez rzeczywistych naukowców syntezy jądrowej. Jednak Thompson i jego zespół badawczy są pierwszą grupą naukowców, którzy próbowali zastosować uczenie maszynowe do problemu ściany-plazmy. Zespół ma nadzieję, że za kilka lat modele będą wykorzystywane do inżynierii lepszych reaktorów syntezy.