Algoritmii de învățare automată ar putea crește randamentul energetic al reactoarelor de fuziune nucleară

Cercetătorii de la Sandia National Laboratories au proiectat recent algoritmi de învățare automată destinați să îmbunătățească randamentul energetic al reactoarelor de fuziune nucleară. Echipa de cercetare a utilizat algoritmi AI pentru a simula interacțiunile dintre plasma și materialele din pereții unui reactor de fuziune nucleară.

În contrast cu fisiunea nucleară, care implică divizarea atomilor, energia creată de reacțiile de fuziune eliberează energie prin crearea plasmei. Atomii de hidrogen sunt supraîncălziți pentru a crea un nor de plasmă și acest nor eliberează energie pe măsură ce particulele din interiorul său se ciocnesc și se contopesc. Acest proces este haotic, și dacă oamenii de știință pot controla mai bine procesul de fuziune, ar putea duce la creșteri substanțiale ale cantității de energie utilizabilă creată de reactoarele de fuziune nucleară.

Cercetătorii care lucrează la rezolvarea acestei probleme trebuie să ruleze simulări complexe cu privire la modul în care pereții camerei unui reactor nuclear interacționează cu norul de plasmă.

Conform lui Aidan Thompson, algoritmii de învățare automată au făcut posibilă rezolvarea unei probleme extraordinar de complexe. Thompson și alți cercetători au fost însărcinați de către Departamentul de Energie al Biroului de Știință să determine cum ar putea învățarea automată să îmbunătățească randamentul energetic al reactoarelor de fuziune nucleară. Până acum, nu a fost fezabil să se efectueze simulări la scară atomică a acestor interacțiuni. Mulțumită învățării automate, numeroasele modificări mici ale plasmei care apar atunci când aceasta lovește pereții de retenție ai reactorului pot fi acum modelate.

Algoritmii de învățare automată excelează în găsirea de modele în date, învățând diversele caracteristici care definesc un obiect. Deoarece algoritmii de învățare automată pot aplica modelele pe care le-au văzut anterior pentru a clasifica evenimente nevizionate, au fost utili pentru eliminarea unei mari părți a încercărilor și erorilor implicate în optimizarea procesului de fuziune. Thompson a explicat că atunci când plasma este creată în interiorul unei camere de fuziune, pereții reactorului sunt loviți constant de particule de elemente precum heliu, hidrogen și deuteriu, deoarece aceste elemente alcătuiesc un nor de plasmă. Atunci când plasma lovește pereții de retenție ai reactorului, aceasta modifică pereții în moduri mici, dar posibil critice. Compoziția pereților însăși modifică norul de plasmă la rândul său. Acest ciclu de reacții are loc la temperaturi aproximativ egale cu cele de pe Soare și durează doar nanosecunde. Optimizarea acestui proces implică un proces laborios de modificare a componentelor pereților reactorului și apoi de măsurare directă a modului în care rezultatele s-au schimbat.

Thompson și alți cercetători au încercat să experimenteze cu seturi de date mari, alcătuite din calcule de mecanică cuantică, antrenând un model care putea prezice energia diverselor configurații atomice. Rezultatul a fost potențialul interatomic de învățare automată (MLIAP). Algoritmii pot fi utilizați pentru a examina interacțiunile dintre un număr relativ mic de atomi, scalând modelul la milioanele necesare pentru a simula interacțiunile dintre componentele procesului de fuziune. Conform lui Thompson, modelele proiectate de echipa de cercetare au necesitat mii de parametri pentru a fi simulări utile.

Pentru ca modelul să rămână util, trebuie să existe o suprapunere semnificativă între mediile care se manifestă în fuziune și datele de antrenare. Există o gamă largă de medii de fuziune posibile, astfel că cercetătorii vor trebui să capteze constant date și să facă modificări ale modelului. Thomas a explicat prin Phys.org:

“Modelul nostru va fi utilizat inițial pentru a interpreta experimente mici. În schimb, datele experimentale vor fi utilizate pentru a valida modelul nostru, care poate fi utilizat apoi pentru a face previziuni despre ceea ce se întâmplă într-un reactor de fuziune la scară largă.”

Algoritmii nu sunt gata de utilizare de către cercetătorii reali de fuziune nucleară încă. Cu toate acestea, Thompson și echipa sa de cercetare sunt primii cercetători care au încercat să aplice învățarea automată la problema plasmă-perete. Echipa speră că, în câțiva ani, modelele vor fi utilizate pentru a proiecta reactoare de fuziune mai bune.