Genom att tillämpa modern maskininlärning och datavetenskapliga metoder på "extrem" plasmafysik, forskare kan få insikt i vårt universum och hitta ledtrådar om att skapa en gränslös mängd energi.

I ett färskt perspektiv publicerat i Natur , Lawrence Livermore National Laboratory (LLNL) forskare och internationella samarbetspartners beskriver viktiga utmaningar och framtida riktningar för att använda maskininlärning (ML) och andra datadrivna tekniker för att bättre förstå dessa extrema förhållanden som potentiellt banar vägen till kärnfusion som en industriell kraftkälla, liksom att hjälpa till att förbättra vår förståelse av universum.

Extrem plasma beskrivs som materiens fysik vid extrema densiteter, temperaturer och tryck som de som finns i det inre av stjärnor och planeter.

"Extrema plasmafysikförsök hade historiskt sett en mycket låg datahastighet, men framtida planerade laseranläggningar kommer att ha en mycket hög skottfrekvens, med potential att producera enorma mängder data, "sa LLNL -fysikern Gemma Anderson, en av tidningens huvudförfattare. "Detta kommer i sin tur att föra fältet in i big-data-regimen och skapa ett motsvarande behov av att utnyttja moderna datavetenskapliga metoder i mycket större utsträckning."

Den senaste generationen av extrema fysikanläggningar kan utföra experiment flera gånger i sekunden (i motsats till nästan dagligen)-gå bort från människobaserad kontroll mot automatisk kontroll. För att få ut det mesta av de nya möjligheterna, laget föreslog en lekbok för att använda ML i vetenskap med hög energitäthet genom forskningsdesign, Träning, bästa praxis och stöd för syntetisk diagnostik och dataanalys.

Studiet av plasmafysik under extrema temperaturer, densiteter och elektromagnetiskt fältstyrka är viktigt för att förstå astrofysik, kärnfusion och grundläggande fysik. Dessa system är mycket olinjära och är mycket svåra att förstå teoretiskt eller demonstrera experimentellt.

Anderson och kollegor har föreslagit att maskininlärningsmodeller och datadrivna metoder kan vara svaret genom att omforma utforskning av dessa extrema system som har visat sig alldeles för komplexa för mänskliga forskare att göra på egen hand. Tolkning av data från experimenten med dessa system, som National Ignition Facility, kräver samtidigt förstå stora mängder komplexa multimodal data från flera olika källor. Bilden ovan visar ett potentiellt arbetsflöde som fullt ut integrerar datadrivna och maskininlärningsmetoder för att uppnå detta mål. Optimering av extrema fysiksystem kräver finjustering över ett stort antal (ofta mycket korrelerade) parametrar. Artificiella intelligensmetoder har visat sig mycket framgångsrika när det gäller att reta ut korrelationer i stora datamängder och kan vara avgörande för att förstå och optimera system som hittills har varit svåra att förstå.

Tidningen var ett resultat av en workshop arrangerad av Anderson, hennes LLNL -kollega Jim Gaffney och Peter Hatfield från University of Oxford, hölls vid Lorentz Center i Nederländerna i januari 2020. Ett av huvudmålen för mötet var att skriva en vitbok med detaljer om mötets slutsatser:vilka standarder samhället bör anta, vad maskininlärning kan göra för fältet och vad framtiden kan innebära.

Anderson sa att papperet kommer att spridas till viktiga finansieringsorgan och beslutsfattare i forskningsråd och nationella laboratorier.