La inteligencia artificial IA, una rama de la informática que está transformando la investigación científica y la industria, ahora podría acelerar el desarrollo de energía de fusión segura, limpia y prácticamente ilimitada para generar electricidad. Un paso importante en esta dirección está en marcha en elEl Laboratorio de Física de Plasma de Princeton PPPL del Departamento de Energía de EE. UU. PPPL y la Universidad de Princeton, donde un equipo de científicos que trabaja con un estudiante graduado de Harvard aplica por primera vez el aprendizaje profundo: una nueva y poderosa versión de la forma de aprendizaje automático de IA- para pronosticar interrupciones repentinas que pueden detener las reacciones de fusión y dañar los tokamaks en forma de rosquilla que albergan las reacciones.
Nuevo capítulo prometedor en investigación de fusión
"Esta investigación abre un nuevo y prometedor capítulo en el esfuerzo por llevar energía ilimitada a la Tierra", dijo Steve Cowley, director de PPPL, sobre los hallazgos, que se informan en el número actual de la revista Nature. "La inteligencia artificial está explotando en todo el mundo".las ciencias y ahora está comenzando a contribuir a la búsqueda mundial del poder de fusión "
Fusion, que impulsa el sol y las estrellas, es la fusión de elementos de luz en forma de plasma, el estado caliente y cargado de materia compuesta de electrones libres y núcleos atómicos, que genera energía. Los científicos buscan replicar la fusiónen la Tierra por un abundante suministro de energía para la producción de electricidad.
crucial para demostrar la capacidad del aprendizaje profundo para pronosticar interrupciones, la pérdida repentina de confinamiento de partículas de plasma y energía, ha sido el acceso a grandes bases de datos proporcionadas por dos grandes instalaciones de fusión: la Instalación Nacional de Fusión DIII-D que General Atomicsopera para el DOE en California, la instalación más grande en los Estados Unidos, y el Joint European Torus JET en el Reino Unido, la instalación más grande del mundo, administrada por EUROfusion, el Consorcio Europeo para el Desarrollo de Fusion EnergyEl apoyo de los científicos de JET y DIII-D ha sido esencial para este trabajo.
Las vastas bases de datos han permitido predicciones confiables de interrupciones en tokamaks que no sean aquellas en las que se entrenó el sistema, en este caso desde el DIII-D más pequeño hasta el JET más grande. El logro es un buen augurio para la predicción de interrupciones en ITER,un tokamak mucho más grande y poderoso que tendrá que aplicar las capacidades aprendidas en las instalaciones de fusión actuales.
El código de aprendizaje profundo, llamado Fusion Recurrent Neural Network FRNN, también abre posibles vías para controlar y predecir interrupciones.
Área más interesante de crecimiento científico
"La inteligencia artificial es el área más intrigante del crecimiento científico en este momento, y casarlo con la ciencia de la fusión es muy emocionante", dijo Bill Tang, físico investigador principal en PPPL, coautor del artículo y profesor con el rango y el títuloprofesor del Departamento de Ciencias Astrofísicas de la Universidad de Princeton que supervisa el proyecto de inteligencia artificial "Hemos acelerado la capacidad de predecir con alta precisión el desafío más peligroso para limpiar la energía de fusión".
A diferencia del software tradicional, que lleva a cabo las instrucciones prescritas, el aprendizaje profundo aprende de sus errores. Para lograr esta aparente magia son redes neuronales, capas de nodos interconectados, algoritmos matemáticos, que son "parametrizados" o ponderados por el programa para dar formala salida deseada. Para cualquier entrada dada, los nodos buscan producir una salida específica, como la identificación correcta de una cara o pronósticos precisos de una interrupción. El entrenamiento se activa cuando un nodo no logra esta tarea: los pesos se ajustan automáticamente para nuevosdatos hasta que se obtenga la salida correcta.
Una característica clave del aprendizaje profundo es su capacidad para capturar datos de alta dimensión en lugar de unidimensionales. Por ejemplo, si bien el software de aprendizaje no profundo podría considerar la temperatura de un plasma en un solo punto en el tiempo, el FRNN considera los perfilesde la temperatura que se desarrolla en el tiempo y el espacio. "La capacidad de los métodos de aprendizaje profundo para aprender de datos tan complejos los convierte en un candidato ideal para la tarea de predicción de disrupción", dijo el colaborador Julian Kates-Harbeck, un estudiante graduado de física en la Universidad de Harvard yun becario graduado de Ciencias Computacionales de la Oficina de Ciencia del DOE, autor principal del artículo de Nature y arquitecto jefe del código.
El entrenamiento y la ejecución de redes neuronales se basa en unidades de procesamiento de gráficos GPU, chips de computadora diseñados primero para representar imágenes en 3D. Estos chips son ideales para ejecutar aplicaciones de aprendizaje profundo y son ampliamente utilizados por las empresas para producir capacidades de inteligencia artificial como la comprensión del lenguaje habladoy observar las condiciones del camino en autos sin conductor.
Kates-Harbeck entrenó el código FRNN en más de dos terabytes 1012 de datos recopilados de JET y DIII-D. Después de ejecutar el software en el grupo de GPU modernas Tiger de la Universidad de Princeton, el equipo lo colocó en Titan, una supercomputadora enOak Ridge Leadership Computing Facility, DOE Office of Science User Facility y otras máquinas de alto rendimiento.
Una tarea exigente
Distribuir la red en muchas computadoras era una tarea exigente. "Entrenar redes neuronales profundas es un problema computacionalmente intensivo que requiere la participación de clústeres informáticos de alto rendimiento", dijo Alexey Svyatkovskiy, coautor del artículo de Nature que ayudó a convertir los algoritmos.en un código de producción y ahora está en Microsoft. "Ponemos una copia de toda nuestra red neuronal en muchos procesadores para lograr un procesamiento paralelo altamente eficiente", dijo.
El software demostró aún más su capacidad para predecir interrupciones verdaderas dentro del marco de tiempo de 30 milisegundos que ITER requerirá, al tiempo que reduce la cantidad de falsas alarmas. El código ahora se está acercando al requisito ITER de predicciones correctas del 95 por ciento con menos de3 por ciento de falsas alarmas. Si bien los investigadores dicen que solo la operación experimental en vivo puede demostrar los méritos de cualquier método predictivo, su artículo señala que las grandes bases de datos de archivo utilizadas en las predicciones "cubren una amplia gama de escenarios operativos y, por lo tanto, proporcionan evidencia significativa comoa las fortalezas relativas de los métodos considerados en este documento "
De predicción a control
El siguiente paso será pasar de la predicción al control de las interrupciones ". En lugar de predecir las interrupciones en el último momento y luego mitigarlas, lo ideal sería utilizar futuros modelos de aprendizaje profundo para alejar suavemente el plasma de las regiones de inestabilidad conel objetivo de evitar la mayoría de las interrupciones en primer lugar ", dijo Kates-Harbeck. Destacando este siguiente paso es Michael Zarnstorff, quien recientemente pasó de subdirector de investigación en PPPL a director científico del laboratorio". El control será esencial para el puesto-ITER tokamaks: en el que evitar interrupciones será un requisito esencial ", señaló Zarnstorff.
Progresar de las predicciones precisas habilitadas por IA al control de plasma realista requerirá más de una disciplina. "Combinaremos el aprendizaje profundo con la física básica de primer principio en computadoras de alto rendimiento para concentrarnos en mecanismos de control realistas en la quema de plasmas".dijo Tang. "Por control, uno significa saber qué 'botones para encender' en un tokamak para cambiar las condiciones para evitar interrupciones. Eso está en nuestra mira y es hacia dónde nos dirigimos".
El apoyo para este trabajo proviene del Programa de Becas para Graduados de Ciencias Computacionales del Departamento de Energía de la Oficina de Ciencia y Administración Nacional de Seguridad Nuclear del DOE; del Instituto de Ciencias e Ingeniería Computacional de la Universidad de Princeton PICsiE; y de fondos de Investigación y Desarrollo Dirigidos por Laboratoriosque PPPL proporciona. Los autores desean agradecer la asistencia con supercomputación de alto rendimiento de Bill Wichser y Curt Hillegas en PICSciE; Jack Wells en el Centro de Computación de Liderazgo Oak Ridge; Satoshi Matsuoka y Rio Yokata en el Instituto de Tecnología de Tokio; y Tom Gibbs enNVIDIA Corp.
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 :