• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  science >> Vetenskap >  >> Fysik
    Maskininlärning, utnyttjad till extrem beräkning, underlättar utvecklingen av fusionsenergi

    Simuleringar av plasmaturbulens på olika platser inuti SPARC tokamak, för närvarande under design. Färgfältet indikerar plasmans förutsedda temperatur. Kredit:Plasma Science and Fusion Center

    MIT-forskarna Pablo Rodriguez-Fernandez och Nathan Howard har precis slutfört en av de mest krävande beräkningarna inom fusionsvetenskap - att förutsäga temperatur- och densitetsprofilerna för ett magnetiskt begränsat plasma via simulering av plasmaturbulens enligt första principerna. Att lösa detta problem med brute force är bortom kapaciteten hos även de mest avancerade superdatorerna. Istället använde forskarna en optimeringsmetod som utvecklats för maskininlärning för att dramatiskt minska CPU-tiden som krävs samtidigt som lösningens noggrannhet bibehålls.

    Fusionsenergi

    Fusion erbjuder löftet om obegränsad, kolfri energi genom samma fysiska process som driver solen och stjärnorna. Det kräver att bränslet värms upp till temperaturer över 100 miljoner grader, långt över den punkt där elektronerna avlägsnas från sina atomer, vilket skapar en form av materia som kallas plasma. På jorden använder forskare starka magnetfält för att isolera och isolera den heta plasman från vanlig materia. Ju starkare magnetfält, desto bättre kvalitet på isoleringen som det ger.

    Rodriguez-Fernandez och Howard har fokuserat på att förutsäga prestandan som förväntas i SPARC-enheten, ett kompakt fusionsexperiment med högt magnetfält, som för närvarande är under uppbyggnad av MIT spin-out-företaget Commonwealth Fusion Systems (CFS) och forskare från MIT:s Plasma Science och Fusion Center. Även om beräkningen krävde en extraordinär mängd datortid, över 8 miljoner CPU-timmar, var det anmärkningsvärda inte hur mycket tid som användes, utan hur lite, med tanke på den skrämmande beräkningsutmaningen.

    Fusionsenergins beräkningsutmaning

    Turbulens, som är mekanismen för det mesta av värmeförlusten i ett begränsat plasma, är en av vetenskapens stora utmaningar och det största problemet som finns kvar inom klassisk fysik. Ekvationerna som styr fusionsplasma är välkända, men analytiska lösningar är inte möjliga i de regimer som är av intresse, där olinjäriteter är viktiga och lösningar omfattar ett enormt utbud av rumsliga och tidsmässiga skalor. Forskare tar till att lösa ekvationerna genom numerisk simulering på datorer. Det är ingen tillfällighet att fusionsforskare har varit pionjärer inom beräkningsfysik under de senaste 50 åren.

    Ett av de grundläggande problemen för forskare är att på ett tillförlitligt sätt förutsäga plasmatemperatur och -densitet endast med tanke på magnetfältskonfigurationen och den externt applicerade ineffekten. I inneslutningsanordningar som SPARC förloras den externa kraften och värmetillförseln från fusionsprocessen genom turbulens i plasman. Turbulensen i sig drivs av skillnaden i den extremt höga temperaturen på plasmakärnan och de relativt svala temperaturerna på plasmakanten (bara några miljoner grader). Att förutsäga prestandan hos ett självuppvärmt fusionsplasma kräver därför en beräkning av effektbalansen mellan fusionseffekten och förlusterna på grund av turbulens.

    Dessa beräkningar börjar vanligtvis med att anta plasmatemperatur- och densitetsprofiler på en viss plats, och sedan beräkna värmen som transporteras lokalt genom turbulens. En användbar förutsägelse kräver dock en självständig beräkning av profilerna över hela plasman, vilket inkluderar både värmetillförseln och turbulenta förluster. Att direkt lösa detta problem är bortom kapaciteten hos någon befintlig dator, så forskare har utvecklat ett tillvägagångssätt som syr ihop profilerna från en serie krävande men lättsamma lokala beräkningar. Den här metoden fungerar, men eftersom värme- och partikelflödena beror på flera parametrar kan beräkningarna vara mycket långsamma att konvergera.

    Tekniker som kommer från området maskininlärning är dock väl lämpade för att optimera just en sådan beräkning. Börjar med en uppsättning beräkningsintensiva lokala beräkningar som körs med den fullständiga fysik, första principerna CGYRO-koden (tillhandahålls av ett team från General Atomics ledd av Jeff Candy) Rodriguez-Fernandez och Howard passade en matematisk surrogatmodell, som användes för att utforska och optimera en sökning inom parameterutrymmet. Resultaten av optimeringen jämfördes med de exakta beräkningarna vid varje optimal punkt, och systemet itererades till en önskad noggrannhetsnivå. Forskarna uppskattar att tekniken minskade antalet körningar av CGYRO-koden med en faktor fyra.

    Nytt tillvägagångssätt ökar förtroendet för förutsägelser

    Detta arbete beskrivs i en nyligen publicerad publikation i tidskriften Nuclear Fusion , är den högsta trohetsberäkningen som någonsin gjorts av kärnan i en fusionsplasma. Den förfinar och bekräftar förutsägelser gjorda med mindre krävande modeller. Professor Jonathan Citrin, of the Eindhoven University of Technology and leader of the fusion modeling group for DIFFER, the Dutch Institute for Fundamental Energy Research, commented:"The work significantly accelerates our capabilities in more routinely performing ultra-high-fidelity tokamak scenario prediction. This algorithm can help provide the ultimate validation test of machine design or scenario optimization carried out with faster, more reduced modeling, greatly increasing our confidence in the outcomes."

    In addition to increasing confidence in the fusion performance of the SPARC experiment, this technique provides a roadmap to check and calibrate reduced physics models, which run with a small fraction of the computational power. Such models, cross-checked against the results generated from turbulence simulations, will provide a reliable prediction before each SPARC discharge, helping to guide experimental campaigns and improving the scientific exploitation of the device. It can also be used to tweak and improve even simple data-driven models, which run extremely quickly, allowing researchers to sift through enormous parameter ranges to narrow down possible experiments or possible future machines. + Utforska vidare

    Mot fusionsenergi modellerar team plasmaturbulens på landets snabbaste superdator

    Denna berättelse är återpublicerad med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.




    © Vetenskap https://sv.scienceaq.com