Maskininlärning, en teknik som används i mjukvaran artificiell intelligens (AI) bakom självkörande bilar och digitala assistenter, gör det nu möjligt för forskare att hantera viktiga utmaningar för att skörda fusionsenergin som driver solen och stjärnorna på jorden. Tekniken gav nyligen fysikern Dan Boyer från US Department of Energy's (DOE) Princeton Plasma Physics Laboratory (PPPL) möjlighet att utveckla snabba och exakta förutsägelser för att förbättra kontrollen av experiment i National Spherical Torus Experiment-Upgrade (NSTX-U)-flaggskeppet fusionsanläggning på PPPL som just nu håller på att repareras.

Sådana AI-förutsägelser kan förbättra NSTX-U-forskarnas förmåga att optimera komponenterna i experiment som värmer och formar den magnetiskt begränsade plasman som driver fusionsförsök. Genom att optimera uppvärmningen och utformningen av plasmaforskarna kommer forskare att kunna mer effektivt studera viktiga aspekter av utvecklingen av brinnande plasma-till stor del självuppvärmande fusionsreaktioner-som kommer att vara avgörande för ITER, det internationella experimentet under uppbyggnad i Frankrike, och framtida fusionsreaktorer.

Maskininlärningstaktik

"Det här är ett steg mot vad vi ska göra för att optimera ställdonen, sa Boyer, författare till ett papper i Kärnfusion som beskriver maskininlärningstaktiken. "Maskininlärning kan göra historiska data till en enkel modell som vi kan utvärdera tillräckligt snabbt för att fatta beslut i kontrollrummet eller till och med i realtid under ett experiment."

Fusionsreaktioner kombinerar ljuselement i form av plasma - det heta, materiens laddade tillstånd består av fria elektroner och atomkärnor som utgör 99 procent av det synliga universum - för att generera massiva mängder energi. Att återge fusionsenergi på jorden skulle skapa en praktiskt taget outtömlig tillgång på säker och ren kraft för att generera el.

Boyer och medförfattare Jason Chadwick, en kandidatstudent vid Carnegie Mellon University och en programdeltagare vid Science Undergraduate Laboratory Internship (SULI) på PPPL förra sommaren, testade maskininlärningsprognoser med 10 års data för NSTX, föregångaren till NSTX-U, och 10 veckors drift av NSTX-U. De två sfäriska tokamakerna är mer formade som äpplen med kärna än den munkliknande formen av större och mer vanliga konventionella tokamaker, och de skapar kostnadseffektiva magnetfält som begränsar plasma.

Maskininlärningstesterna förutsade korrekt fördelningen av tryck och densitet hos elektronerna i fusionsplasma, två kritiska men svårt att förutse parametrar. "Elektrontrycket och densitetsfördelningen i plasma är nyckeln till att förstå beteendet hos fusionsplasma, "Boyer sa." Vi behöver modeller av dessa faktorer för att förutsäga effekterna av förändrad uppvärmning och utformning på experimentens prestanda och stabilitet. "

"Medan det finns fysikbaserade modeller för att förutsäga elektrontryck och densitet, " han sa, "de är inte lämpliga för beslutsfattande i realtid. De tar alldeles för lång tid att beräkna och är inte så exakta som vi behöver."

Modellen tar upp båda frågorna

Maskininlärningsmodellen tar upp båda frågorna. "Den har lärt sig att göra förutsägelser från tusentals observerade profiler i PPPL -tokamakerna och har gjort samband mellan kombinationer av inmatningar och utmatningar av faktisk data, Sa Boyer. När han väl hade tränat, modellen tar mindre än en tusendels sekund att utvärdera. Hastigheten på den resulterande modellen kan göra den användbar för många realtidsapplikationer, han sa.

Tillvägagångssättet är inte utan begränsningar. "Eftersom modellen är utbildad i historiskt observerade data, den kan inte göra förutsägelser om nya driftpunkter med hög noggrannhet, "Boyer sa. Han planerar att ta itu med denna begränsning genom att lägga till resultaten av fysikbaserade modellprognoser till träningsdata och utveckla tekniker för att anpassa modellen när nya data blir tillgängliga.