Maskininlärning (ML), en form av artificiell intelligens som känner igen ansikten, förstår språk och navigerar i självkörande bilar, kan hjälpa till att föra till jorden den rena fusionsenergin som lyser upp solen och stjärnorna. Forskare vid US Department of Energy's (DOE) Princeton Plasma Physics Laboratory (PPPL) använder ML för att skapa en modell för snabb kontroll av plasma - materiens tillstånd som består av fria elektroner och atomkärnor, eller joner – som ger bränsle till fusionsreaktioner.

Solen och de flesta stjärnor är gigantiska bollar av plasma som genomgår konstanta fusionsreaktioner. Här på jorden, forskare måste värma och kontrollera plasman för att få partiklarna att smälta samman och frigöra sin energi. PPPL-forskning visar att ML kan underlätta en sådan kontroll.

Neurala nätverk

Forskare under ledning av PPPL-fysikern Dan Boyer har tränat neurala nätverk – kärnan i ML-programvara – på data som producerats i den första operativa kampanjen för National Spherical Torus Experiment-Upgrade (NSTX-U), flaggskeppsfusionsanläggningen, eller tokamak, på PPPL. Den tränade modellen återger exakt förutsägelser av beteendet hos de energiska partiklarna som produceras av kraftfull neutral strålinjektion (NBI) som används för att driva NSTX-U-plasma och värma dem till miljoner grader, fusionsrelevanta temperaturer.

Dessa förutsägelser genereras normalt av en komplex datorkod som kallas NUBEAM, som innehåller information om strålens påverkan på plasman. Sådana komplexa beräkningar måste göras hundratals gånger per sekund för att analysera plasmans beteende under ett experiment. Men varje beräkning kan ta flera minuter att köra, gör resultaten tillgängliga för fysiker först efter att ett experiment som vanligtvis varar några sekunder har slutförts.

Den nya ML-mjukvaran minskar tiden som krävs för att exakt förutsäga beteendet hos energiska partiklar till under 150 mikrosekunder – vilket gör att beräkningarna kan göras online under experimentet.

Initial tillämpning av modellen visade en teknik för att uppskatta egenskaper hos plasmabeteendet som inte direkt mäts. Denna teknik kombinerar ML-förutsägelser med de begränsade mätningarna av plasmaförhållanden som är tillgängliga i realtid. De kombinerade resultaten kommer att hjälpa plasmakontrollsystemet i realtid att fatta mer välgrundade beslut om hur strålinjektion ska justeras för att optimera prestanda och bibehålla stabiliteten hos plasman - en kritisk kvalitet för fusionsreaktioner.

Snabba utvärderingar

De snabba utvärderingarna kommer också att hjälpa operatörerna att göra mer välinformerade justeringar mellan experiment som utförs var 15-20:e minut under operationer. "Accelererade modelleringsmöjligheter kan visa operatörer hur man justerar NBI-inställningar för att förbättra nästa experiment, sa Boyer, huvudförfattare till en artikel i Nuclear Fusion som rapporterar om den nya modellen.

Boyer, arbetar med PPPL-fysikern Stan Kaye, genererade en databas med NUBEAM-beräkningar för en rad plasmaförhållanden liknande de som uppnåddes i experiment under den första NSTX-U-körningen. Forskare använde databasen för att träna ett neuralt nätverk för att förutsäga effekterna av neutrala strålar på plasman, såsom uppvärmning och strömprofiler. Mjukvaruingenjören Keith Erickson implementerade sedan programvara för att utvärdera modellen på datorer som används för att aktivt kontrollera experimentet för att testa beräkningstiden.

Nytt arbete kommer att innefatta utveckling av neurala nätverksmodeller skräddarsydda för de planerade förhållandena för framtida NSTX-U-kampanjer och andra fusionsanläggningar. Dessutom, forskare planerar att utöka den nuvarande modelleringsmetoden för att möjliggöra accelererade förutsägelser av andra fusionsplasmafenomen.