Algorytmy uczenia maszynowego mogą zwiększyć wydajność energetyczną reaktorów fuzyjnych

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

W przeciwieństwie do rozszczepienia jąder, które polega na rozdzieleniu atomów, energia wytworzona przez reakcje fuzyjne uwalnia się przez 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 fuzyjny, może to doprowadzić do znacznego zwiększenia ilości użytecznej energii wytwarzanej przez reaktory fuzyjne.

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 Biura Nauki o ustalenie, w jaki sposób uczenie maszynowe może poprawić wydajność energetyczną reaktorów fuzyjnych. Do tej pory nie było możliwe przeprowadzenie symulacji na poziomie atomowym tych interakcji. Dzięki uczeniu maszynowemu można teraz modelować wiele małych zmian w plazmie, które występują, gdy uderza ona w ściany reaktora.

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 niewidziane zdarzenia, były one przydatne do wyeliminowania większości prób i błędów przy optymalizacji procesu fuzyjnego. Thompson wyjaśnił, że gdy plazma jest tworzona w komorze fuzyjnej, ściany reaktora są stale uderzane przez cząstki pierwiastków takich jak hel, wodór i deuter. Gdy plazma uderza w ściany reaktora, zmienia je w małych, ale potencjalnie krytycznych sposób. Skład samej ściany zmienia z kolei chmurę plazmy. Ten cykl reakcji zachodzi w temperaturach podobnych do tych, które panują na Słońcu, i trwa tylko nanosekundy. Optymalizacja tego procesu wymaga bolesnego procesu modyfikacji 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, szkoląc model, który mógłby przewidzieć energię różnych konfiguracji atomów. Wynikiem była interakcja potencjału uczenia maszynowego (MLIAP). Algorytmy mogą być wykorzystywane do badania interakcji między stosunkowo niewielką liczbą atomów, skalując model do milionów wymaganych do naśladowania interakcji między składnikami procesu fuzyjnego. 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 występują w fuzyjnych a danymi szkoleniowymi. Istnieje szeroki zakres możliwych środowisk fuzyjnych, więc naukowcy będą musieli stale gromadzić dane i modyfikować model. 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 następnie może być wykorzystywany do dokonywania przewidywań dotyczących tego, co dzieje się w pełnowymiarowym reaktorze fuzyjnym”.

Algorytmy nie są jeszcze gotowe do użycia przez rzeczywistych naukowców zajmujących się fuzyjnymi reaktorami jądrowymi. Jednak Thompson i jego zespół badawczy są pierwszą grupą naukowców, która próbuje zastosować uczenie maszynowe do problemu ściany plazmy. Zespół liczy, że za kilka lat modele będą wykorzystywane do projektowania lepszych reaktorów fuzyjnych.