Maskinlärningsalgoritmer kan öka energiutbytet från kärnfusionsreaktorer

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

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

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

Enligt Aidan Thompson gjorde maskinlärningsalgoritmer det möjligt att lösa ett extraordinärt 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. Tidigare var det inte möjligt att utföra atomskalasimuleringar av dessa interaktioner. Tack vare maskinlärning kan de många små förändringarna i plasman som sker när den träffar reaktorväggarna nu modelleras.

Maskinlärningsalgoritmer är bra på 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 osynliga 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 ständigt 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 i sig förändrar plasmamolnen i sin tur. Denna cykel av reaktioner sker vid ungefär samma temperaturer som de som finns 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, och tränade en modell som kunde förutsäga energin hos olika atomkonfigurationer. Resultatet blev maskinlärningsinteratomisk potential (MLIAP). Algoritmerna kan användas för att undersöka interaktioner mellan ett relativt litet antal atomer, och skala upp modellen till de miljoner som krävs för att simulera interaktioner mellan komponenter i fusionsprocessen. Enligt Thompson krävde modellerna som forskargruppen utformade tusentals parametrar för att vara användbara simuleringar.

För att modellen ska förbli användbar, måste det finnas en betydande överlappning mellan miljöerna som uppstår i fusion och träningsdata. 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 det experimentella data 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 forskargrupp är den första gruppen forskare som har försökt att tillämpa maskinlärning på plasma-väggsproblemet. Gruppen hoppas att om några år kommer modellerna att användas för att konstruera bättre fusionsreaktorer.