Maskinlärningsalgoritmer kan öka energiutbytet från kärnfusionsreaktorer

Forskare från Sandia National Laboratories har nyligen utformat maskinlärningsalgoritmer som avses förbättra energiutbytet från kärnfusionsreaktorer. Forskarteamet använde AI-algoritmer för att simulera interaktionerna mellan plasma och material i väggarna i en kärnfusionsreaktor.

Till skillnad från kärnklyvning, som innebär att atomer delas, skapas energin från fusion genom att skapa plasma. Vätetatomer värms upp till en extremt hög temperatur för att skapa en plasmamoln och denna moln frigör energi när partiklarna inom den kolliderar och slås samman. Denna process är kaotisk, och om forskare kan kontrollera fusionsprocessen bättre, kan det leda till en betydande ökning av den mängd användbar energi som skapas av kärnfusionsreaktorer.

Forskare som arbetar med att lösa detta problem måste köra komplexa simuleringar av hur reaktorväggarna interagerar med plasmamolnen.

Enligt Aidan Thompson gjorde maskinlärningsalgoritmer det möjligt att knäcka ett oerhört komplext problem. Thompson och andra forskare har fått i uppdrag av Department of Energy Office of Science att ta reda på hur maskinlärning kan förbättra energiutbytet från kärnfusionsreaktorer. Hittills har det inte varit möjligt att utföra atomskala-simuleringar av dessa interaktioner. Tack vare maskinlärning kan de många små förändringarna i plasman som uppstår när den träffar reaktorväggarna nu modelleras.

Maskinlärningsalgoritmer excellerar i att hitta mönster i data, lära sig de olika funktioner som definierar ett objekt. Eftersom maskinlärningsalgoritmer kan applicera mönster de har sett tidigare för att klassificera osett händelser, var de användbara för att eliminera mycket av trial and error som är involverat i att optimera fusionsprocessen. Thompson förklarade att när plasma skapas inuti en fusionskammare, träffas reaktorväggarna konstant av partiklar av grundämnen som helium, vätet och deuterium, eftersom dessa grundämnen utgör en plasmamoln. När plasman träffar reaktorväggarna, förändras väggarna på små men potentiellt kritiska sätt. Sammansättningen av väggarna förändrar i sin tur plasmamolnen. Denna cykel av reaktioner sker vid ungefär samma temperaturer som på solen, och de varar bara några nanosekunder. Att optimera denna process innebär en mödosam process med att modifiera komponenter i reaktorväggarna och sedan direkt mäta hur resultaten förändrades.

Thompson och andra forskare satte upp att experimentera med stora datamängder bestående av kvantmekaniska beräkningar, utbildning av en modell som kunde förutsäga energin av olika atomkonfigurationer. Resultatet blev maskinlärningsinteratomisk potential (MLIAP). Algoritmerna kan användas för att undersöka interaktioner mellan ett relativt litet antal atomer, skala upp modellen till de miljoner som krävs för att simulera interaktioner mellan komponenter i fusionsprocessen. Enligt Thompson krävde modellerna som forskarteamet utformade tusentals parametrar för att vara användbara simuleringar.

För att modellen ska förbli användbar, måste det finnas en betydande överlappning mellan de miljöer som uppstår i fusion och träningdata. Det finns ett brett spektrum av möjliga fusionsmiljöer, så forskarna kommer att behöva ständigt samla in data och göra ändringar i modellen. Thomas förklarade via Phys.org:

“Vår modell kommer först att användas för att tolka små experiment. Omvänt kommer den experimentella datan att användas för att validera vår modell, som sedan kan användas för att göra förutsägelser om vad som händer i en fullskalig fusionsreaktor.”

Algoritmerna är inte redo att användas av faktiska kärnfusionsforskare ännu. Men Thompson och hans forskarteam är den första gruppen forskare som har försökt att tillämpa maskinlärning på plasma-väggsproblemet. Teamet hoppas att om några år kommer modellerna att användas för att konstruera bättre fusionsreaktorer.