Antes de que los científicos puedan capturar y desplegar eficazmente la energía de fusión, deben aprender a predecir las interrupciones importantes que pueden detener las reacciones de fusión y dañar las paredes de los dispositivos de fusión en forma de rosca llamados tokamaks. Predicción oportuna de las interrupciones, la pérdida repentina de control del calor, plasma cargado que alimenta las reacciones, será vital para activar los pasos para evitar o mitigar tales eventos a gran escala.
Hoy, investigadores del Laboratorio de Física de Plasma de Princeton PPPL y de la Universidad de Princeton del Departamento de Energía de EE. UU. Están empleando inteligencia artificial para mejorar la capacidad de predicción. Investigadores dirigidos por William Tang, físico de PPPL y profesor con rango y títulodel profesor de la Universidad de Princeton, están desarrollando el código de predicciones para ITER, el experimento internacional en construcción en Francia para demostrar la practicidad de la energía de fusión.
Forma de "aprendizaje profundo"
El nuevo software predictivo, llamado código Fusion Recurrent Neural Network FRNN, es una forma de "aprendizaje profundo": una versión más nueva y más potente del software moderno de aprendizaje automático, una aplicación de inteligencia artificial. "El aprendizaje profundo representauna nueva y emocionante vía hacia la predicción de interrupciones ", dijo Tang." Esta capacidad ahora puede manejar datos multidimensionales ".
FRNN es una arquitectura de aprendizaje profundo que ha demostrado ser la mejor manera de analizar datos secuenciales con patrones de largo alcance. Los miembros del PPPL y el equipo de aprendizaje automático de la Universidad de Princeton son los primeros en aplicar sistemáticamente un enfoque de aprendizaje profundo alproblema de predicción de disrupción en plasmas de fusión tokamak.
El arquitecto principal de FRNN es Julian Kates-Harbeck, estudiante de posgrado en la Universidad de Harvard y miembro del Departamento de Ciencias de la Computación del DOE. Miembro de la experiencia obtenida al obtener una maestría en ciencias de la computación en la Universidad de Stanford, ha dirigido elconstrucción del software FRNN.
predicciones más precisas
Utilizando este enfoque, el equipo ha demostrado la capacidad de predecir eventos disruptivos con mayor precisión que los métodos anteriores. Al extraer de la enorme base de datos en la instalación conjunta Europea Torus JET ubicada en el Reino Unido, la más grande yEl tokamak más potente en funcionamiento: los investigadores han mejorado significativamente las predicciones de interrupciones y reducido el número de falsas alarmas positivas. EUROfusion, el Consorcio Europeo para el Desarrollo de Energía de Fusión, gestiona la investigación JET.
El equipo ahora tiene como objetivo alcanzar los objetivos desafiantes que ITER requerirá. Estos incluyen producir predicciones correctas del 95 por ciento cuando ocurren interrupciones, al tiempo que proporciona menos del 3 por ciento de falsas alarmas cuando no hay interrupciones ". En los conjuntos de datos de prueba examinados, elFRNN ha mejorado la curva para predecir positivos verdaderos al tiempo que reduce los falsos positivos ", dijo Eliot Feibush, científico computacional de PPPL, refiriéndose a lo que se llama la curva" Característica operativa del receptor "que se usa comúnmente para medir la precisión del aprendizaje automático." Estamostrabajando para aportar más datos de entrenamiento para hacerlo aún mejor "
Muy exigente
El proceso es muy exigente. "La capacitación de redes neuronales profundas es una tarea computacionalmente intensiva que requiere la participación de hardware informático de alto rendimiento", dijo Alexey Svyatkovskiy, investigador de big data de la Universidad de Princeton. "Es por eso que gran parte de lo que hacemosdo está desarrollando y distribuyendo nuevos algoritmos a través de muchos procesadores para lograr una computación paralela altamente eficiente. Dicha computación manejará el creciente tamaño de los problemas derivados de la base de datos relevante para la interrupción de JET y otros tokamaks ".
El código de aprendizaje profundo se ejecuta en unidades de procesamiento gráfico GPU que pueden calcular miles de copias de un programa a la vez, mucho más que las unidades de procesamiento central CPU más antiguas. Pruebas realizadas en clústeres de GPU modernos y en máquinas de clase mundialcomo Titan, actualmente la supercomputadora más rápida y poderosa de EE. UU. en Oak Ridge Leadership Computing Facility, DOE Office of Science User Facility en Oak Ridge National Laboratory, ha demostrado una excelente escala lineal. Dicha escala reduce el tiempo de ejecución computacional en proporción directa ala cantidad de GPU utilizadas, un requisito importante para un procesamiento paralelo eficiente.
grupo de tigres de Princeton
El clúster Tiger de GPU modernas de la Universidad de Princeton fue el primero en realizar pruebas de aprendizaje profundo, utilizando FRNN para demostrar la capacidad mejorada de predecir las interrupciones de fusión. Desde entonces, el código se ha ejecutado en Titán y otros grupos de GPU de supercomputación líderes en los Estados Unidos, Europa yAsia, y han seguido mostrando una escala excelente con la cantidad de GPU comprometidas.
En el futuro, los investigadores buscan demostrar que este poderoso software predictivo puede ejecutarse en tokamaks en todo el mundo y eventualmente en ITER. También se planifica mejorar la velocidad del análisis de interrupción para el aumento de los tamaños de problemas asociados con los conjuntos de datos más grandes antes deel inicio de un evento disruptivo. El apoyo para este proyecto se ha obtenido principalmente de los fondos de Investigación y Desarrollo Dirigidos por el Laboratorio provistos por PPPL.
Fuente de la historia :
Materiales proporcionado por DOE / Princeton Plasma Physics Laboratory . Original escrito por John Greenwald. Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :