Artificiell intelligens (AI), en gren av datavetenskap som förvandlar vetenskaplig utredning och industri, kunde nu påskynda utvecklingen av säkra, ren och praktiskt taget obegränsad fusionsenergi för elproduktion. Ett stort steg i denna riktning pågår vid US Department of Energy's (DOE) Princeton Plasma Physics Laboratory (PPPL) och Princeton University, där ett team av forskare som arbetar med en Harvard-doktorand för första gången tillämpar djupinlärning-en kraftfull ny version av maskininlärningsformen av AI-för att förutsäga plötsliga störningar som kan stoppa fusionsreaktioner och skada de munkformade tokamakerna i huset reaktionerna.

Lovande nytt kapitel inom fusionsforskning

"Denna forskning öppnar ett lovande nytt kapitel i ansträngningen att föra obegränsad energi till jorden, "Steve Cowley, direktör för PPPL, sade om resultaten, som redovisas i det aktuella numret av Natur tidskrift. "Artificiell intelligens exploderar över vetenskaperna och nu börjar det bidra till den världsomspännande jakten på fusionskraft."

Fusion, som driver solen och stjärnorna, är sammansmältning av ljuselement i form av plasma - det heta, materiens laddade tillstånd består av fria elektroner och atomkärnor - som genererar energi. Forskare försöker replikera fusion på jorden för en riklig strömförsörjning för elproduktion.

Avgörande för att demonstrera förmågan hos djupinlärning att förutse störningar-den plötsliga förlusten av inneslutning av plasmapartiklar och energi-har varit tillgång till enorma databaser från två stora fusionsanläggningar:DIII-D National Fusion Facility som General Atomics driver för DOE i Kalifornien, den största anläggningen i USA, och Joint European Torus (JET) i Storbritannien, den största anläggningen i världen, som hanteras av EUROfusion, Europeiska konsortiet för utveckling av fusionsenergi. Stöd från forskare vid JET och DIII-D har varit avgörande för detta arbete.

De stora databaserna har möjliggjort tillförlitliga förutsägelser om avbrott på andra tokamaks än de som systemet utbildades på-i detta fall från den mindre DIII-D till den större JET. Prestationen lovar gott för förutsägelse av störningar på ITER, en mycket större och kraftfullare tokamak som kommer att behöva tillämpa kapacitet som lärt sig på dagens fusionsanläggningar.

Den djupa inlärningskoden, kallad Fusion Recurrent Neural Network (FRNN), öppnar också möjliga vägar för att kontrollera såväl som att förutsäga störningar.

Mest spännande område för vetenskaplig tillväxt

"Artificiell intelligens är det mest intressanta området för vetenskaplig tillväxt just nu, och att gifta sig med fusionsvetenskap är mycket spännande, "sa Bill Tang, en huvudforskningsfysiker vid PPPL, medförfattare av uppsatsen och föreläsare med rang och titel på professor vid Princeton University Department of Astrophysical Sciences som övervakar AI -projektet. "Vi har påskyndat möjligheten att med hög noggrannhet förutsäga den farligaste utmaningen att rena fusionsenergin."

Till skillnad från traditionell programvara, som utför föreskrivna instruktioner, djupt lärande lär sig av sina misstag. Uppnå denna till synes magi är neurala nätverk, lager av sammankopplade noder - matematiska algoritmer - som är "parametrerade, "eller viktad av programmet för att forma den önskade utgången. För varje given ingång söker noder att producera en specificerad utgång, till exempel korrekt identifiering av ett ansikte eller korrekta prognoser för ett avbrott. Träning startar när en nod misslyckas med att uppnå denna uppgift:vikterna justerar sig automatiskt för färska data tills rätt utmatning erhålls.

En viktig egenskap hos djupinlärning är dess förmåga att fånga högdimensionella snarare än endimensionella data. Till exempel, medan icke-djup inlärningsprogramvara kan överväga temperaturen på en plasma vid en enda tidpunkt, FRNN överväger profiler av temperaturen som utvecklas i tid och rum. "Djupinlärningsmetodernas förmåga att lära av sådana komplexa data gör dem till en idealisk kandidat för uppgiften att störa förutsägelser, "sa medarbetaren Julian Kates-Harbeck, en fysik doktorand vid Harvard University och en DOE-Office of Science Computational Science Graduate Fellow som var huvudförfattare till Nature paper och chefsarkitekt för koden.

Utbildning och drift av neurala nätverk är beroende av grafikprocessorer (GPU:er), datorchips först utformade för att återge 3D-bilder. Sådana marker är idealiska för att köra deep learning-applikationer och används i stor utsträckning av företag för att producera AI-funktioner som att förstå talat språk och observera vägförhållanden med självkörande bilar.

Kates-Harbeck utbildade FRNN-koden på mer än två terabyte (1012) data som samlats in från JET och DIII-D. Efter att ha kört programvaran på Princeton Universitys Tiger -kluster av moderna GPU:er, laget placerade den på Titan, en superdator på Oak Ridge Leadership Computing Facility, en DOE Office of Science User Facility, och andra högpresterande maskiner.

En krävande uppgift

Att distribuera nätverket på många datorer var en krävande uppgift. "Utbildning av djupa neurala nätverk är ett beräkningsmässigt intensivt problem som kräver engagemang av högpresterande datorkluster, sa Alexey Svyatkovskiy, en medförfattare av Nature -dokumentet som hjälpte till att konvertera algoritmerna till en produktionskod och nu är hos Microsoft. "Vi lägger en kopia av hela vårt neurala nätverk på många processorer för att uppnå mycket effektiv parallellbehandling, " han sa.

Programvaran visade vidare sin förmåga att förutsäga verkliga störningar inom den tidsram på 30 millisekunder som ITER kommer att kräva, samtidigt som antalet falska larm minskas. Koden stänger nu in på ITER -kravet på 95 procent korrekta förutsägelser med färre än 3 procent falska larm. Medan forskarna säger att endast levande experimentell operation kan visa fördelarna med en förutsägbar metod, deras papper noterar att de stora arkivdatabaser som används i förutsägelserna, "täcker ett brett spektrum av operativa scenarier och ger därmed betydande bevis för de relativa styrkorna för de metoder som behandlas i detta dokument."

Från förutsägelse till kontroll

Nästa steg blir att gå från förutsägelse till kontroll av störningar. "I stället för att förutsäga störningar i sista stund och sedan mildra dem, vi skulle helst använda framtida djupinlärningsmodeller för att försiktigt styra bort plasma från instabila områden med målet att undvika de flesta störningarna i första hand, "Sa Kates-Harbeck. Markera detta nästa steg är Michael Zarnstorff, som nyligen flyttade från biträdande chef för forskning vid PPPL till vetenskapschef för laboratoriet. "Kontrollen kommer att vara avgörande för tokamaks efter ITER-där undvikande av avbrott kommer att vara ett viktigt krav, "Noterade Zarnstorff.

Att gå vidare från AI-aktiverade exakta förutsägelser till realistisk plasmakontroll kommer att kräva mer än en disciplin. "Vi kommer att kombinera djupinlärning med grundläggande, första principens fysik på högpresterande datorer för att nollställa realistiska kontrollmekanismer vid brinnande plasma, "sa Tang." Genom kontroll, en betyder att veta vilka 'rattar att slå' på en tokamak för att ändra villkor för att förhindra störningar. Det är i sikte och det är dit vi är på väg. "