Maskininlärningstekniker, mest känd för att lära självkörande bilar att stanna vid rött ljus, kan snart hjälpa forskare runt om i världen att förbättra sin kontroll över den mest komplicerade reaktion som vetenskapen känner till:kärnfusion.

Fusionsreaktioner är vanligtvis väteatomer som upphettas för att bilda ett gasformigt moln som kallas en plasma som frigör energi när partiklarna smäller in i varandra och smälter. Att få dessa reaktioner under bättre kontroll kan skapa enorma mängder miljören ren energi från kärnreaktorer i framtidens fusionskraftverk.

"Sambandet mellan maskininlärning och fusionsenergi är inte uppenbart, "sa Sandia National Laboratories -forskaren Aidan Thompson, huvudutredare för ett treårigt Department of Energy Office of Science-pris på 2,2 miljoner dollar årligen för att göra just den kopplingen. "Enkelt uttryckt, Vi har varit föregångare inom maskininlärning för att förbättra simuleringar av reaktorns väggmaterial när det interagerar med plasma. Detta har varit utanför ramen för atomskala simuleringar från det förflutna. "

Det förväntade resultatet bör föreslå processuella eller strukturella ändringar för att förbättra kärnkraften, han sa.

Kraft i maskininlärning vid modellering av kärnfusion

Maskininlärning är kraftfull eftersom den använder matematiska och statistiska medel för att räkna ut en situation, snarare än att analysera varje del av data i önskad kategori. Till exempel, bara ett litet antal hundfoton behövs för att lära ett igenkänningssystem begreppet "dogginess" - med andra ord, "det här är en hund" - snarare än att skanna varje hundfoto som finns.

Sandias maskininlärningssätt för kärnfusion är detsamma, men mer komplicerat.

"Det är inte ett trivialt problem att fysiskt observera vad som händer inom en reaktors väggar eftersom dessa strukturer internt bombarderas med väte, helium, deuterium och tritium som delar av en överhettad plasma, sa Thompson.

Han beskrev komponenter i den cirkulerande plasman som träffade och förändrade sammansättningen av stödväggarna och tunga atomer som lossnade från de slagna väggarna och förändrade plasma. Reaktioner sker i nanosekunder vid temperaturer så varma som solen. Att försöka modifiera komponenter med försök och fel för att förbättra resultaten är utomordentligt mödosamt.

Maskininlärningsalgoritmer, å andra sidan, använda datorgenererade data utan direkta mätningar från experiment och kan ge information som så småningom kan användas för att göra plasmainteraktioner med inneslutningsväggsmaterial mindre skadliga och därmed förbättra den totala energiproduktionen från fusionsreaktorer.

"Det finns inget annat sätt att få denna information, sa Thompson.

Litet antal atomer förutsäger energin hos många

Thompsons team förväntar sig att genom att använda stora datamängder med kvantmekaniska beräkningar under extrema förhållanden som träningsdata, de kan bygga en maskininlärningsmodell som förutspår energin i alla konfigurationer av atomer.

Den här modellen, kallad en maskininlärning interatomisk potential, eller MLIAP, kan infogas i enorma klassiska molekylära dynamikkoder som Sandias prisbelönta LAMPAR, eller storskalig Atomic/Molecular Massively Parallel Simulator, programvara. På det här sättet, genom att förhöra endast ett relativt litet antal atomer, de kan utöka kvantmekanikens noggrannhet till omfattningen av miljontals atomer som behövs för att simulera beteendet hos fusionsenergimaterial.

"Så varför gör vi maskininlärning och inte bara bokför massor av data?" frågar Thompson retoriskt. "Det korta svaret är, vi genererar ekvationer från en oändlig uppsättning möjliga variabler för att bygga modeller som är grundade i fysik men innehåller hundratals eller tusentals parametrar som håller oss inom räckvidd för vårt mål. "

En fångst är att MLIAP -modellens noggrannhet beror på överlappningen mellan träningsdata och de faktiska atommiljöer som programmet stöter på, sa Thompson.

Dessa miljöer kan vara olika, kräver nya utbildningsdata och ändring av maskininlärningsmodellen. Att känna igen och justera för överlappningar är en del av arbetet de närmaste åren.

"Vår modell kommer först att användas för att tolka små experiment, "Sa Thompson." Omvänt, att experimentella data kommer att användas för att validera vår modell, som sedan kan användas för att göra förutsägelser om vad som händer i en fullskalig fusionsreaktor. "

Målet för att ge fusionsforskare tillgång till Sandia maskininlärningsmodeller för att bygga bättre fusionsreaktorer är cirka tre år, sa Thompson.