Алгоритмы машинного обучения могут увеличить выход энергии термоядерных реакторов

Исследователи из Национальных лабораторий Сандии недавно разработали алгоритмы машинного обучения, предназначенные для улучшения энерговыхода термоядерных реакторов. Команда исследователей использовала алгоритмы ИИ для моделирования взаимодействия между плазмой и материалами внутри стенок термоядерного реактора.

В отличие от ядерного деления, которое включает в себя разделение атомов, энергия, создаваемая термоядерными реакциями, выделяется в результате создания плазмы. Атомы водорода нагреваются до создания плазменного облака, и это облако выделяет энергию, когда частицы внутри него сталкиваются и сливаются. Этот процесс хаотичен, и если ученые смогут лучше контролировать процесс термоядерного синтеза, это может привести к значительному увеличению количества полезной энергии, создаваемой термоядерными реакторами.

Исследователи, работающие над решением этой проблемы, должны проводить сложные симуляции взаимодействия между стенками камеры термоядерного реактора и плазменным облаком.

По словам Эйдана Томпсона, алгоритмы машинного обучения сделали возможным решение чрезвычайно сложной проблемы. Томпсон и другие исследователи были поручены Департаментом энергетики США определить, как машинное обучение может улучшить энерговыход термоядерных реакторов. До сих пор не было возможным проводить атомно-масштабные симуляции этих взаимодействий. Благодаря машинному обучению, многие небольшие изменения в плазме, которые происходят, когда она сталкивается со стенками реактора, теперь могут быть смоделированы.

Алгоритмы машинного обучения отлично подходят для нахождения закономерностей в данных, обучения различным признакам, определяющим объект. Поскольку алгоритмы машинного обучения могут применять закономерности, которые они видели раньше, для классификации незнакомых событий, они были полезны для исключения большей части проб и ошибок, связанных с оптимизацией процесса термоядерного синтеза. Томпсон объяснил, что когда плазма создается внутри термоядерной камеры, стенки реактора постоянно бомбардируются частицами элементов, таких как гелий, водород и дейтерий, которые составляют плазменное облако. Когда плазма сталкивается со стенками реактора, она изменяет их небольшим, но потенциально критическим образом. Состав стенок сам по себе изменяет плазменное облако. Этот цикл реакций происходит при примерно тех же температурах, что и на Солнце, и длится всего несколько наносекунд. Оптимизация этого процесса включает в себя трудоемкий процесс модификации компонентов стенок реактора и прямого измерения того, как изменились результаты.

Томпсон и другие исследователи попытались экспериментировать с большими наборами данных, состоящими из расчетов квантовой механики, обучая модель, которая могла бы предсказать энергию различных конфигураций атомов. Результатом стал потенциал межатомного взаимодействия машинного обучения (MLIAP). Алгоритмы могут быть использованы для изучения взаимодействия между относительно небольшим количеством атомов, масштабируя модель до миллионов, необходимых для имитации взаимодействия между компонентами процесса термоядерного синтеза. По словам Томпсона, модели, разработанные исследовательской командой, требовали тысяч параметров, чтобы быть полезными симуляциями.

Чтобы модель оставалась полезной, должна быть значительная связь между средами, которые проявляются в термоядерном синтезе, и обучающими данными. Существует широкий спектр возможных сред термоядерного синтеза, поэтому исследователи должны постоянно собирать данные и вносить изменения в модель. Томас объяснил через Phys.org:

“Наша модель сначала будет использоваться для интерпретации небольших экспериментов. С другой стороны, эти экспериментальные данные будут использоваться для проверки нашей модели, которая затем может быть использована для прогнозирования того, что происходит в полномасштабном термоядерном реакторе”.

Алгоритмы еще не готовы к использованию фактическими исследователями термоядерного синтеза. Однако Томпсон и его исследовательская команда являются первой группой исследователей, которые попытались применить машинное обучение к проблеме взаимодействия между плазмой и стенками. Команда надеется, что через несколько лет модели будут использоваться для разработки лучших термоядерных реакторов.