Maskininlärning, som låter forskare avgöra om två processer är orsakssammanhängande utan att avslöja hur, kan hjälpa till att stabilisera plasma i munkformade fusionsenheter som kallas tokamaks. Sådan inlärning kan underlätta undvikande av störningar-vanliga händelser i tokamakplasma som kan leda till mycket snabb förlust av lagrade termiska och magnetiska energier och hota maskinens integritet. En uppsats av doktoranden Matthew Parsons som publicerades i juni i tidningen Plasmafysik och kontrollerad fusion beskriver tillämpningen av inlärningen för att undvika störningar, vilket kommer att vara avgörande för att säkerställa livslängden för framtida stora tokamaker.

Parsons började forskning om detta ämne vid US Department of Energy's (DOE) Princeton Plasma Physics Laboratory (PPPL) som medlem i DOE:s Science Undergraduate Laboratory Internships (SULI) -program. Han samarbetade med PPPL -forskarna William Tang och Eliot Feibush som SULI -praktikant under somrarna 2014 och 2015, och sedan som en tillfällig PPPL -anställd 2016. "Plasmafysikgemenskapen är mycket intresserad av att identifiera fler klassificerare för att studera instabilitet och störningar, "sa Feibush." ​​Matt är idealiskt kvalificerad för att arbeta med detta viktiga ämne. "

Parsons utvecklade nya sätt att tillämpa sin PPPL -forskning som Fulbright -bidragsgivare på ITER, den internationella tokamak under uppbyggnad i Frankrike, från september 2016 till och med april 2017 och baserade tidningen på hans arbete där. Han är för närvarande inskriven i doktorandprogrammet vid University of Illinois i Urbana-Champaign

"När du använder maskininlärning, "Sa Parsons, "Du anser att modellerna som produceras av datorprogrammet är svarta lådor - du lägger något i det och får sedan ut något, men vet inte alltid hur utmatningen är relaterad till vad du lägger i. I detta papper, Jag gör den svarta lådan lite mer transparent. "

Den svarta lådan behöver inte avslöja mekanismerna bakom orsakssamband. Till exempel, en person kan observera hundratals åskväder och observera att blixtar tenderar att föregå åska. Den personen kan dra slutsatsen att åskan igen kommer att följa ljusning under en framtida storm. Men den slutsatsen innehåller ingen information om hur, exakt, belysning och åska är relaterade.

Fysiker kan använda maskininlärning för att analysera beteendet hos plasma, den varma soppan av elektroner och laddade atomkärnor korrelerade av magnetfält i tokamaker. Genom att mata in data från tidigare experiment i ett maskininlärningsprogram, forskare kan lära sig vilket plasmabeteende som tenderar att föregå störningar. De kan sedan bygga ett system som övervakar plasma för tecken på dessa störningsföregångare, i teorin ger forskarna tid att styra plasma mot stabilitet.

"En sak som verkligen upphetsar mig med den analysteknik jag föreslår är att det faktiskt är ganska enkelt och ganska enkelt kan implementeras av alla som utvecklar dessa maskininlärningsmodeller, "Säger Parsons." Allt du behöver göra är att ta den numeriska utsignalen från förutsägelsemodellen, som i någon mening beskriver hur nära du är till ett avbrott, ändra dina inmatningar med en liten ökning, och jämför den nya utmatningen med den ursprungliga utgången. Ju mindre förändring, ju mer stabil plasmaurladdningen är med avseende på inmatningsvariablerna. Det är verkligen kärnan i det jag föreslår. "

Även om black-box-modeller tenderar att undvikas av fysikgemenskapen, Parsons insisterar på att de kan vara till tjänst. "Som fysiker, hur vi ser på problem försöker förstå förhållandet mellan det som går in i din modell och det som kommer ut, "säger han." Det är naturligt, sedan, att när vi ser dessa black-box-modeller, vi tror att det inte är något vi vill hantera eftersom vi inte förstår vad som händer. "

Dock, "Många av problemen vi möter i fusion är mycket tekniska, och om vi kunde komma fram till några av lösningarna med hjälp av maskininlärning, Jag tycker att det är klokt att utforska alla alternativ och inte utesluta några bara för att de skiljer sig från vår träning. "