Алгоритми машинного навчання можуть збільшити енерговиддачу реакторів ядерного синтезу

Дослідники з Sandia National Laboratories недавно розробили алгоритми машинного навчання, призначені для покращення енерговиддачі реакторів ядерного синтезу. Команда дослідників використала алгоритми штучного інтелекту для моделювання взаємодії між плазмою та матеріалами у стінах реактора ядерного синтезу.

На відміну від ядерного розщеплення, яке полягає у розщепленні атомів, енергія, створена реакціями синтезу, вивільняється шляхом створення плазми. Атоми водню нагріваються до створення плазмового хмара, і цей хмар вивільняє енергію, коли частинки всередині нього зіштовхуються та зливаються. Цей процес хаотичний, і якщо вчені зможуть краще контролювати процес синтезу, це може привести до суттєвого збільшення кількості корисної енергії, створеної реакторами ядерного синтезу.

Дослідники, які працюють над розв’язанням цієї проблеми, повинні проводити складні симуляції щодо взаємодії між камерою реактора та плазмовим хмарам.

За словами Ейдана Томпсона, алгоритми машинного навчання зробили можливим розв’язання надзвичайно складної проблеми. Томпсон та інші дослідники були доручені Міністерством енергетики США визначити, як машинне навчання може покращити енерговиддачу реакторів ядерного синтезу. До цього часу не було можливим проводити атомно-місцеві симуляції цих взаємодій. Завдяки машинному навчанню тепер можна змоделювати численні малі зміни в плазмі, які відбуваються, коли вона зіштовхується зі стінами реактора.

Алгоритми машинного навчання добре підходять для знаходження закономірностей у даних, навчання ознакам, які визначають об’єкт. Через те, що алгоритми машинного навчання можуть застосовувати закономірності, які вони бачили раніше, для класифікації невідомих подій, вони були корисні для усунення багатьох проб та помилок, пов’язаних з оптимізацією процесу синтезу. Томпсон пояснив, що коли плазма створюється всередині камери синтезу, стіни реактора постійно піддаються впливу частинок елементів, таких як гелій, водень та деутерій, оскільки ці елементи складають плазмовий хмар. Коли плазма зіштовхується зі стінами реактора, вона змінює стіни малими, але потенційно критичними способами. Сама плазма змінюється стінами у відповідь. Цикл реакцій відбувається при температурах, подібних до тих, які спостерігаються на Сонці, і триває лише наносекунди. Оптимізація цього процесу полягає у ретельному процесі зміни компонентів стін реактора та безпосереднього вимірювання змінених результатів.

Томпсон та інші дослідники розпочали експерименти з великими наборами даних, що складаються з розрахунків квантової механіки, тренуючи модель, яка могла б передбачити енергію різних атомних конфігурацій. Результатом став алгоритм машинного навчання міжатомного потенціалу (MLIAP). Алгоритми можна використовувати для вивчення взаємодії між відносно малим числом атомів, масштабуючи модель до мільйонів, необхідних для моделювання взаємодії між компонентами процесу синтезу. За словами Томпсона, моделі, розроблені командою дослідників, вимагали тисяч параметрів, щоб бути корисними симуляціями.

Для того, щоб модель залишилася корисною, повинна бути суттєва відповідність між середовищами, які проявляються у синтезі, та навчальними даними. Існує широкий діапазон можливих середовищ синтезу, тому дослідники повинні постійно захоплювати дані та модифікувати модель. Томас пояснив через Phys.org:

“Наша модель спочатку буде використовуватися для інтерпретації малих експериментів. Навпаки, ці експериментальні дані будуть використовуватися для підтвердження нашої моделі, яку можна буде використовувати для прогнозування того, що відбувається у повномасштабному реакторі синтезу”.

Алгоритми ще не готові для використання фактичними дослідниками ядерного синтезу. Однак Томпсон та його команда дослідників є першою групою дослідників, які спробували застосувати машинне навчання до проблеми плазма-стіни. Команда сподівається, що за кілька років моделі будуть використовуватися для розробки кращих реакторів синтезу.