Nükleer Füzyon Reaktörlerinin Enerji Verimini Artırmak İçin Makine Öğrenimi Algoritmaları

Araştırmacılar Sandia Ulusal Laboratuvarları recently tasarladı makine öğrenimi algoritmaları nükleer füzyon reaktörlerinin enerji çıkışını iyileştirmek amacıyla. Araştırma ekibi, AI algoritmalarını bir nükleer füzyon reaktörünün duvarları içindeki malzemelerle plazma arasındaki etkileşimleri simüle etmek için kullandı.

Nükleer fisyonun aksine, atomları ayırma işlemi yerine, füzyon reaksiyonları plazma oluşturarak enerji açığa çıkarır. Hidrojen atomları süper ısıtılır ve bu bulut enerji açığa çıkarır, çünkü bulut içindeki parçacıklar birbirleriyle çarpışır ve birleşir. Bu işlem kaotiktir ve bilim adamları füzyon sürecini daha iyi kontrol edebilirlerse, nükleer füzyon reaktörleri tarafından oluşturulan kullanılabilir enerji miktarında önemli artışlar olabilir.

Bu problemi çözmeye çalışan araştırmacılar, bir nükleer reaktörün odası duvarları ile plazma arasındaki etkileşimleri hakkında karmaşık simülasyonlar çalıştırmalıdır.

Aidan Thompson’a göre, makine öğrenimi algoritmaları, son derece karmaşık bir problemi çözmeyi mümkün kıldı. Thompson ve diğer araştırmacılar, Enerji Bakanlığı Bilim Ofisi tarafından, makine öğreniminin nükleer füzyon reaktörlerinin enerji çıkışını nasıl iyileştirebileceğini belirlemekle görevlendirildi. Şimdiye kadar, bu etkileşimlerin atomik ölçekli simülasyonlarını gerçekleştirmek mümkün değildi. Makine öğrenimi sayesinde, reaktörün tutucu duvarlarına çarptığında plazmanın meydana getirdiği birçok küçük değişiklik modellenebilir.

Makine öğrenimi algoritmaları, verilerin içinde desenleri bulmada uzmandır, bir nesneyi tanımlayan çeşitli özellikleri öğrenir. Makine öğrenimi algoritmaları, daha önce gördükleri desenleri uygulayarak görmedikleri olayları sınıflandırabildikleri için, füzyon sürecini optimize etme sırasında yapılan çok fazla deneme yanılma işlemini ortadan kaldırmaya yararlı oldular. Thompson, bir füzyon odası içinde plazma oluşturulduğunda, reaktörün duvarları sürekli olarak helyum, hidrojen ve deuterium gibi elementlerin parçacıkları ile vurulduğunu açıkladı. Plazma, reaktörün tutucu duvarlarına çarptığında, duvarları küçük ancak potansiyel olarak kritik şekillerde değiştirir. Duvarların bileşimi itself plazma bulutunu değiştirir. Bu tepkime döngüsü, Güneş’te bulunan sıcaklıkta meydana gelir ve nanosaniye sürer. Bu süreci optimize etmek, reaktör duvarlarının bileşenlerini değiştirme ve ardından sonuçların nasıl değiştiğini doğrudan ölçme过程ini içerir.

Thompson ve diğer araştırmacılar, kuantum mekaniği hesaplamalarından oluşan büyük veri kümeleri ile deney yapmak ve atom yapılarının enerjisini tahmin edebilen bir modeli eğitmek amacıyla yola çıktılar. Sonuç, makine öğrenimi atomik potansiyeli (MLIAP) idi. Algoritmalar, füzyon sürecinin bileşenleri arasındaki etkileşimleri taklit etmek için milyonlarca atomu ölçeklendirebilen, göreceli olarak küçük bir aantal atom arasındaki etkileşimleri incelemek için kullanılabilir. Thompson’a göre, araştırma ekibi tarafından tasarlanan modeller, faydalı simülasyonlar olabilmesi için binlerce parametre gerektiriyordu.

Modelin faydalı kalabilmesi için, füzyon ve eğitim verilerinin ortaya çıkardığı ortamlar arasında önemli bir örtüşme olmalıdır. Mümkün olan füzyon ortamları geniş bir yelpazeye sahiptir, bu nedenle araştırmacılar sürekli veri toplamak ve modele değişiklikler yapmak zorunda kalacaklardır. Thomas, Phys.org aracılığıyla şunları söyledi:

“Modelimiz ilk olarak küçük deneyleri yorumlamak için kullanılacak. Buna karşılık, deneysel veri modelimizi doğrulamak için kullanılacak, ardından modelimiz, bir tam ölçekli füzyon reaktöründe neler olduğu hakkında tahminlerde bulunmak için kullanılacak.”

Algoritmalar, gerçek nükleer füzyon araştırmacıları tarafından kullanıma hazır değil. Ancak, Thompson ve araştırma ekibi, plazma-duvar problemine makine öğrenimi uygulamaya çalışan ilk araştırmacılar grubudur. Ekibin umudu, birkaç yıl içinde modellerin daha iyi füzyon reaktörleri tasarlamak için kullanılabileceğidir.