Innan forskare effektivt kan fånga och distribuera fusionsenergi, de måste lära sig att förutsäga stora störningar som kan stoppa fusionsreaktioner och skada väggarna i munkformade fusionsenheter som kallas tokamaks. Tidig förutsägelse av störningar, den plötsliga förlusten av kontrollen över den heta, laddad plasma som driver reaktionerna, kommer att vara avgörande för att utlösa åtgärder för att undvika eller mildra sådana storskaliga händelser.

I dag, forskare vid US Department of Energy's (DOE) Princeton Plasma Physics Laboratory (PPPL) och Princeton University använder artificiell intelligens för att förbättra förutsägbar förmåga. Forskare under ledning av William Tang, en PPPL -fysiker och en föreläsare med professor och rang vid titeln vid Princeton University, utvecklar koden för förutsägelser för ITER, det internationella experimentet under uppbyggnad i Frankrike för att demonstrera praktiken hos fusionsenergi.

Form av "djupinlärning"

Den nya förutsägbara programvaran, kallade Fusion Recurrent Neural Network (FRNN) -koden, är en form av "deep learning" - en nyare och kraftfullare version av modern maskininlärningsprogramvara, en tillämpning av artificiell intelligens. "Djupinlärning representerar en spännande ny väg mot förutsägelse av störningar, "Sade Tang." Denna förmåga kan nu hantera flerdimensionella data. "

FRNN är en djupinlärande arkitektur som har visat sig vara det bästa sättet att analysera sekventiell data med långdistansmönster. Medlemmar i PPPL och Princeton University maskininlärningsteam är de första som systematiskt tillämpar en djupinlärningsmetod för problemet med störningsprognoser i tokamak-fusionsplasma.

Chefsarkitekt för FRNN är Julian Kates-Harbeck, en doktorand vid Harvard University och en DOE-Office of Science Computational Science Graduate Fellow. Utifrån den kunskap som erhållits när jag fick en magisterexamen i datavetenskap vid Stanford University, han har lett byggandet av FRNN -programvaran.

Mer exakta förutsägelser

Med denna metod, laget har visat förmågan att förutsäga störande händelser mer exakt än tidigare metoder har gjort. Genom att hämta från den enorma databasen vid Joint European Torus (JET) -anläggningen i Storbritannien - den största och mest kraftfulla tokamaken i drift - har forskarna förbättrat avsevärt förutsägelser om störningar och minskat antalet falskt positiva larm. EUROfusion, Europeiska konsortiet för utveckling av fusionsenergi, hanterar JET -forskning.

Teamet siktar nu på att nå de utmanande mål som ITER kommer att kräva. Dessa inkluderar att producera 95 procent korrekta förutsägelser när störningar uppstår, samtidigt som det ger färre än 3 procent falska larm när det inte finns några störningar. "På de undersökta testuppsättningarna, FRNN har förbättrat kurvan för att förutsäga sanna positiva samtidigt som man har minskat falska positiva, "sa Eliot Feibush, en beräkningsvetare på PPPL, med hänvisning till den så kallade "Receiver Operating Characteristic" -kurvan som vanligtvis används för att mäta maskininlärningsnoggrannhet. "Vi arbetar med att få in mer utbildningsdata för att göra det ännu bättre."

Mycket krävande

Processen är mycket krävande. "Utbildning av djupa neurala nätverk är en beräkningskrävande uppgift som kräver engagemang av högpresterande datormaskinvara, sa Alexey Svyatkovskiy, en forskare vid big data vid Princeton University. "Det är därför en stor del av det vi gör är att utveckla och distribuera nya algoritmer över många processorer för att uppnå mycket effektiv parallell databehandling. Sådan datering kommer att hantera den ökande storleken på problemen som härrör från den störningsrelevanta databasen från JET och andra tokamaks. "

Deep learning -koden körs på grafiska processorenheter (GPU:er) som kan beräkna tusentals kopior av ett program samtidigt, mycket mer än äldre centrala processorenheter (CPU:er). Tester utförda på moderna GPU -kluster, och på maskiner i världsklass som Titan, för närvarande den snabbaste och mest kraftfulla amerikanska superdatorn vid Oak Ridge Leadership Computing Facility, en DOE Office of Science User Facility vid Oak Ridge National Laboratory, har visat utmärkt linjär skalning. Sådan skalning minskar beräkningstiden i direkt proportion till antalet GPU:er som används - ett stort krav för effektiv parallellbehandling.

Princetons Tiger -kluster

Princeton Universitys Tiger -kluster av moderna GPU:er var de första som utförde djupinlärningstester, med FRNN för att demonstrera den förbättrade förmågan att förutsäga fusionsstörningar. Koden har sedan dess körts på Titan och andra ledande superdatorer GPU -kluster i USA, Europa och Asien, och har fortsatt att visa utmärkt skalning med antalet engagerade GPU:er.

Går framåt, forskarna försöker visa att denna kraftfulla förutsägbara programvara kan köras på tokamaks runt om i världen och så småningom på ITER. Det är också planerat att öka hastigheten för avbrottsanalys för de ökande problemstorlekarna som är associerade med de större datamängderna innan en störande händelse börjar. Stöd för detta projekt har främst kommit till dags dato från de Laboratory Directed Research and Development -medel som tillhandahålls av PPPL.