Machine learning ML, una forma de inteligencia artificial que reconoce rostros, comprende el lenguaje y navega en autos sin conductor, puede ayudar a traer a la Tierra la energía de fusión limpia que ilumina el sol y las estrellas. Investigadores del Departamento de Energía de EE. UU. DOE El Laboratorio de Física de Plasma de Princeton PPPL está utilizando ML para crear un modelo para el control rápido del plasma, el estado de la materia compuesto por electrones libres y núcleos atómicos, o iones, que alimenta las reacciones de fusión.
El sol y la mayoría de las estrellas son bolas gigantes de plasma que sufren reacciones de fusión constantes. Aquí en la Tierra, los científicos deben calentar y controlar el plasma para que las partículas se fusionen y liberen su energía. La investigación de PPPL muestra que el ML puede facilitar ese control.
Redes neuronales
Los investigadores dirigidos por el físico de PPPL Dan Boyer han capacitado a las redes neuronales, el núcleo del software ML, sobre los datos producidos en la primera campaña operativa del National Spherical Torus Experiment-Upgrade NSTX-U, la instalación insignia de fusión, otokamak, en PPPL. El modelo entrenado reproduce con precisión las predicciones del comportamiento de las partículas energéticas producidas por la potente inyección de haz neutro NBI que se utiliza para alimentar los plasmas NSTX-U y calentarlos a temperaturas de fusión de millones de grados.
Estas predicciones normalmente son generadas por un código de computadora complejo llamado NUBEAM, que incorpora información sobre el impacto del haz en el plasma. Tales cálculos complejos deben realizarse cientos de veces por segundo para analizar el comportamiento del plasma durante un experimento.Pero cada cálculo puede tardar varios minutos en ejecutarse, haciendo que los resultados estén disponibles para los físicos solo después de que se complete un experimento que generalmente dura unos segundos.
El nuevo software ML reduce el tiempo necesario para predecir con precisión el comportamiento de las partículas energéticas a menos de 150 microsegundos, lo que permite que los cálculos se realicen en línea durante el experimento.
La aplicación inicial del modelo demostró una técnica para estimar las características del comportamiento del plasma no medido directamente. Esta técnica combina predicciones de ML con las medidas limitadas de las condiciones del plasma disponibles en tiempo real. Los resultados combinados ayudarán al control del plasma en tiempo realel sistema toma decisiones más informadas sobre cómo ajustar la inyección del haz para optimizar el rendimiento y mantener la estabilidad del plasma, una cualidad crítica para las reacciones de fusión.
Evaluaciones rápidas
Las evaluaciones rápidas también ayudarán a los operadores a realizar ajustes mejor informados entre los experimentos que se ejecutan cada 15-20 minutos durante las operaciones. "Las capacidades de modelado acelerado podrían mostrar a los operadores cómo ajustar la configuración del NBI para mejorar el próximo experimento", dijo Boyer, líderautor de un artículo en Nuclear Fusion que informa sobre el nuevo modelo.
Boyer, en colaboración con el físico de PPPL Stan Kaye, generó una base de datos de cálculos NUBEAM para un rango de condiciones plasmáticas similares a las logradas en experimentos durante la ejecución inicial de NSTX-U. Los investigadores utilizaron la base de datos para entrenar una red neuronal para predecir los efectos dehaces neutrales en el plasma, como el calentamiento y los perfiles de la corriente.El ingeniero de software Keith Erickson luego implementó un software para evaluar el modelo en las computadoras que se utilizan para controlar activamente el experimento para probar el tiempo de cálculo.
El nuevo trabajo incluirá el desarrollo de modelos de red neuronal adaptados a las condiciones planificadas para futuras campañas de NSTX-U y otras instalaciones de fusión. Además, los investigadores planean expandir el enfoque de modelado actual para permitir predicciones aceleradas de otros fenómenos de plasma de fusión. Soporte paraEste trabajo proviene de la Oficina de Ciencia del DOE.
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.
Referencia del diario :
Cita esta página :