Fusionsreaktorteknologier är väl positionerade för att bidra till våra framtida kraftbehov på ett säkert och hållbart sätt. Numeriska modeller kan ge forskare information om beteendet hos fusionsplasman, samt värdefull insikt om effektiviteten av reaktordesign och drift. Dock, För att modellera det stora antalet plasmainteraktioner krävs ett antal specialiserade modeller som inte är tillräckligt snabba för att tillhandahålla data om reaktorkonstruktion och drift. Aaron Ho från Science and Technology of Nuclear Fusion-gruppen vid avdelningen för tillämpad fysik har utforskat användningen av maskininlärningsmetoder för att påskynda den numeriska simuleringen av kärnplasma turbulent transport. Ho försvarade sin avhandling den 17 mars.

Det yttersta målet för forskning om fusionsreaktorer är att uppnå en nettoeffektvinst på ett ekonomiskt lönsamt sätt. För att nå detta mål, stora invecklade enheter har konstruerats, men när dessa enheter blir mer komplexa, det blir allt viktigare att anta ett förutsägbart tillvägagångssätt när det gäller dess funktion. Detta minskar driftsineffektiviteten och skyddar enheten från allvarliga skador.

För att simulera ett sådant system krävs modeller som kan fånga alla relevanta fenomen i en fusionsenhet, är tillräckligt exakta så att förutsägelser kan användas för att fatta tillförlitliga designbeslut och är tillräckligt snabba för att snabbt hitta fungerande lösningar.

Modell baserad på neurala nätverk

För sin Ph.D. forskning, Aaron Ho utvecklade en modell för att uppfylla dessa kriterier genom att använda en modell baserad på neurala nätverk. Denna teknik gör det möjligt för en modell att behålla både hastighet och noggrannhet på bekostnad av datainsamling. Den numeriska metoden tillämpades på en turbulensmodell av reducerad ordning, QuaLiKiz, som förutsäger plasmatransportmängder orsakade av mikroturbulens. Detta speciella fenomen är den dominerande transportmekanismen i tokamak plasmaenheter. Tyvärr, dess beräkning är också den begränsande hastighetsfaktorn i nuvarande tokamak plasmamodellering.

Ho tränade framgångsrikt en neural nätverksmodell med QuaLiKiz-utvärderingar medan han använde experimentell data som träningsinput. Det resulterande neurala nätverket kopplades sedan in i ett större integrerat modelleringsramverk, JINTRAC, för att simulera plasmaenhetens kärna.

Simuleringstiden minskade från 217 timmar till endast två timmar

Det neurala nätverkets prestanda utvärderades genom att ersätta den ursprungliga QuaLiKiz-modellen med Ho:s neurala nätverksmodell och jämföra resultaten. I jämförelse med den ursprungliga QuaLiKiz-modellen, Hos modell betraktade ytterligare fysikmodeller, duplicerat resultaten med en noggrannhet på 10 %, och reducerade simuleringstiden från 217 timmar på 16 kärnor till två timmar på en enda kärna.

För att sedan testa modellens effektivitet utanför träningsdata, modellen användes i en optimeringsövning med användning av det kopplade systemet på ett plasmaupprampningsscenario som ett bevis på principen. Denna studie gav en djupare förståelse av fysiken bakom de experimentella observationerna, och lyfte fram fördelen med snabb, exakt, och detaljerade plasmamodeller.

Till sist, Ho föreslår att modellen kan utökas för ytterligare tillämpningar som styrenhet eller experimentell design. Han rekommenderar också att utvidga tekniken till andra fysikmodeller, eftersom det observerades att de turbulenta transportförutsägelserna inte längre är den begränsande faktorn. Detta skulle ytterligare förbättra tillämpbarheten av den integrerade modellen i iterativa applikationer och möjliggöra de valideringsinsatser som krävs för att driva dess kapacitet närmare en verkligt prediktiv modell.