Алгоритми машинного навчання можуть збільшити енергетичну віддачу реакторів термоядерного синтезу

Дослідники з Sandia National Laboratories недавно розробили алгоритми машинного навчання, призначені для покращення енерговидання реакторів термоядерного синтезу. Команда дослідників використала алгоритми штучного інтелекту для симуляції взаємодії між плазмою та матеріалами всередині стінок реактора термоядерного синтезу.

На відміну від ядерної фісії, яка полягає у розщепленні атомів, енергія, створена реакціями синтезу, виділяється шляхом створення плазми. Атоми водню нагріваються до створення плазмового хмара, і цей хмар виділяє 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 термоядерного синтезу.

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

За словами Айдана 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 енерговидання реакторів термоядерного синтезу. До цього часу не було можливим проводити атомно-рівневі симуляції цих взаємодій. Дякуючи машинному навчанню, тепер можна змоделювати численні малі зміни в плазмі, які відбуваються, коли вона зіштовхується зі стінками реактора.

Алгоритми машинного навчання добре знаходять закономірності у даних, вивчаючи різні ознаки, що визначають об’єкт. Оскільки алгоритми машинного навчання можуть застосовувати закономірності, які вони бачили раніше, для класифікації невидимих подій, вони були корисні для усунення великої кількості проб та помилок, пов’язаних з оптимізацією процесу синтезу. Томпсон пояснив, що коли плазма створюється всередині камери синтезу, стінки реактора постійно піддаються впливу частинок елементів, таких як гелій, водень та деутерій, оскільки ці елементи складають плазмовий хмар. Коли плазма зіштовхується зі стінками реактора, вона змінює стінки у малих, але потенційно критичних способах. Сама склад стін змінює плазмовий хмар. Цикл цих реакцій відбувається при температурах, приблизно рівних тим, які спостерігаються на Сонці, і триває лише наносекунди. Оптимізація цього процесу полягає у ретельному процесі зміни компонентів стінок реактора, а потім безпосередньому вимірюванні того, як змінилися результати.

Томпсон та інші дослідники вирішили експериментувати з великими наборами даних, що складаються з розрахунків квантової механіки, тренуючи модель, яка могла б передбачити енергію різних атомних конфігурацій. Результатом стала модель машинного навчання міжатомного потенціалу (MLIAP). Алгоритми можна використовувати для вивчення взаємодій між відносно малим числом атомів, масштабуючи модель до мільйонів, необхідних для імітування взаємодій 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 тренувальними даними. Існує широкий діапазон можливих середовищ синтезу, тому дослідники повинні постійно захоплювати дані та робити зміни у моделі. Томас пояснив через Phys.org:

“Наша модель спочатку буде використовуватися для інтерпретації малих експериментів. Навпаки, ці експериментальні дані будуть використовуватися для валідації нашої моделі, яка потім може бути використана для прогнозування того, що відбувається у повномасштабному реакторі синтезу”.

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