Алгоритмы машинного обучения могут увеличить выход энергии ядерных реакторов с термоядерным синтезом

Исследователи из Sandia National Laboratories недавно разработали алгоритмы машинного обучения , предназначенные для улучшения выхода энергии ядерных реакторов с термоядерным синтезом. Команда исследователей использовала алгоритмы ИИ для моделирования взаимодействия между плазмой и материалами внутри стенок ядерного реактора с термоядерным синтезом.

В отличие от ядерного деления, которое включает в себя разделение атомов, энергия, создаваемая реакциями синтеза, выделяется через создание плазмы. Атомы водорода нагреваются до сверхвысоких температур, чтобы создать облако плазмы, и это облако выделяет энергию, когда частицы внутри него сталкиваются и соединяются. Этот процесс хаотичен, и если ученым удастся лучше контролировать процесс синтеза, это может привести к существенному увеличению количества полезной энергии, создаваемой ядерными реакторами с термоядерным синтезом.

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

По словам Эйдана Томпсона, алгоритмы машинного обучения сделали возможным решение чрезвычайно сложной проблемы. Томпсон и другие исследователи были поручены Департаментом энергетики Офисом науки определить, как машинное обучение может улучшить выход энергии ядерных реакторов с термоядерным синтезом. До сих пор не было возможным провести атомно-масштабные симуляции этих взаимодействий. Благодаря машинному обучению, множество небольших изменений в плазме, которые происходят, когда она ударяется о стенки реактора, теперь могут быть смоделированы.

Алгоритмы машинного обучения отлично находят закономерности в данных, изучая различные характеристики, определяющие объект. Поскольку алгоритмы машинного обучения могут применять закономерности, которые они видели ранее, для классификации незнакомых событий, они были полезны для исключения большей части проб и ошибок, связанных с оптимизацией процесса синтеза. Томпсон объяснил, что когда плазма создается внутри камеры синтеза, стенки реактора постоянно бомбардируются частицами элементов, таких как гелий, водород и дейтерий, которые составляют облако плазмы. Когда плазма ударяется о стенки реактора, она изменяет стенки небольшим, но потенциально критическим образом. Состав стенок сам по себе изменяет облако плазмы. Этот цикл реакций происходит при температурах, примерно равных тем, которые встречаются на Солнце, и длится всего несколько наносекунд. Оптимизация этого процесса включает в себя трудоемкий процесс модификации компонентов стенок реактора, а затем 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 стала модель машинного обучения межатомного потенциала (MLIAP). Алгоритмы могут быть использованы для изучения взаимодействия между относительно небольшим количеством атомов, масштабируя модель до миллионов, необходимых для имитации взаимодействия между компонентами процесса синтеза. По словам Томпсона, модели, разработанные командой исследователей, требовали тысяч параметров, чтобы быть полезными симуляциями.

Чтобы модель оставалась полезной, должно быть значительное совпадение между средами, которые проявляются в синтезе, и обучающими данными. Существует широкий спектр возможных сред синтеза, поэтому исследователям придется постоянно захватывать данные и вносить изменения в модель. Томас объяснил через Phys.org:

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

Алгоритмы еще не готовы для использования фактическими исследователями ядерного синтеза. Однако Томпсон и его команда исследователей являются первой группой исследователей, которые попытались применить машинное обучение к проблеме плазма-стенка. Команда надеется, что через несколько лет модели будут использоваться для разработки лучших реакторов синтеза.