PPPL'deki araştırmacılar, yıldızlaştırıcıların ve tokamakların tasarımını ve çalışmasını geliştirmek için makine öğreniminin kullanımını araştırıyorlar. Enerjiyi birleştiren ve serbest bırakan atomların karmaşık dansı, onlarca yıldır bilim adamlarını büyüledi. 

Şimdi, insan yaratıcılığı ve yapay zeka , insanlığın en acil sorunlarından birini çözmek için ABD Enerji Bakanlığı'nın (DOE) Princeton Plazma Fizik Laboratuvarı'nda ( PPPL ) bir araya geliyor: plazmanın kaynaşmasından temiz, güvenilir enerji üretmek . 

Geleneksel bilgisayar kodunun aksine, bir tür yapay zeka yazılımı olan makine öğrenimi , yalnızca bir talimat listesi değildir. Makine öğrenimi, verileri analiz edebilen, özellikler arasındaki ilişkileri çıkarabilen, bu yeni bilgilerden öğrenebilen ve uyum sağlayabilen bir yazılımdır. PPPL araştırmacıları, bu öğrenme ve uyum sağlama yeteneğinin, füzyon reaksiyonları üzerindeki kontrollerini çeşitli şekillerde geliştirebileceğine inanıyor. 

Bu, süper sıcak plazmayı çevreleyen kapların tasarımının mükemmelleştirilmesini, ısıtma yöntemlerinin optimize edilmesini ve giderek daha uzun süreler boyunca reaksiyonun istikrarlı kontrolünün sürdürülmesini içerir. Laboratuvarın yapay zeka araştırması halihazırda önemli sonuçlar veriyor. 

Nature Communications'da yayınlanan yeni bir makalede PPPL araştırmacıları, füzyon plazmasının dengesini bozan manyetik bozulmaları veya kesintileri önlemek için makine öğrenimini nasıl kullandıklarını açıklıyor. Makalenin baş yazarı PPPL Personel Araştırma Fizikçisi SangKyeun Kim, "Sonuçlar özellikle etkileyici çünkü bunları aynı kodu kullanarak iki farklı tokamak üzerinde elde edebildik" dedi. 

Tokamak, plazmayı tutmak için manyetik alanları kullanan halka şeklinde bir cihazdır. "Plazmada füzyon cihazında ciddi hasara yol açabilecek dengesizlikler var. Bunları ticari bir füzyon kabına koyamayız. Çalışmamız alanı ilerletiyor ve yapay zekanın ilerideki füzyon reaksiyonlarını yönetmede önemli bir rol oynayabileceğini, plazmanın mümkün olduğunca fazla füzyon enerjisi üretmesine izin verirken istikrarsızlıkları önleyebileceğini gösteriyor” dedi. Andlinger Enerji ve Çevre Merkezi ve PPPL ile ortaklaşa atanan havacılık ve uzay mühendisliği. 

Bir plazmayı kontrol etmek ve füzyon reaksiyonunu devam ettirmek için her milisaniyede bir önemli kararlar verilmesi gerekir. Kolemen'in sistemi bu kararları bir insandan çok daha hızlı alabiliyor ve plazmanın uygun şekilde muhafaza edilmesi için füzyon kabının ayarlarını otomatik olarak yapabiliyor. Sistem kesintileri tahmin edebilir, hangi ayarların değiştirileceğini bulabilir ve ardından bu değişiklikleri kararsızlıklar ortaya çıkmadan önce yapabilir.

Kolemen sonuçların etkileyici olduğunu çünkü her iki durumda da plazmanın yüksek sınırlama modunda olduğunu belirtiyor. H modu olarak da bilinen bu durum, manyetik olarak sınırlandırılmış bir plazma, plazmanın sınırlandırılmasının aniden ve önemli ölçüde iyileşmesini sağlayacak kadar ısıtıldığında ve plazmanın kenarındaki türbülansın etkili bir şekilde ortadan kalkmasıyla meydana gelir. H-modu stabilize edilmesi en zor moddur ancak aynı zamanda ticari enerji üretimi için gerekli olacak moddur. 

Sistem, her ikisi de kararsızlık olmadan H moduna ulaşan iki tokamak, DIII-D ve KSTAR üzerinde başarılı bir şekilde konuşlandırıldı. Bu, araştırmacıların bu başarıyı, ticari ölçekte füzyon gücünü dağıtmak için neye ihtiyaç duyulacağıyla ilgili bir reaktör ortamında ilk kez elde etmesidir. PPPL'nin istikrarsızlıkları evcilleştirmek için yapay zeka kullanma konusunda önemli bir geçmişi var. PPPL Baş Araştırma Fiziği William Tang ve ekibi, 2019 yılında bu süreci bir tokamaktan diğerine aktarma yeteneğini gösteren ilk kişiler oldu. Tang, "Çalışmamız, büyük miktarda veriyi saniyenin binde biri kadar bir sürede entegre etmek ve yıkıcı fizik olaylarıyla daha başlamadan çok önce başa çıkmak için modeller geliştirmek üzere güçlü, modern, yüksek performanslı bilgi işlem kaynaklarıyla birlikte yapay zeka ve makine öğrenimini kullanarak çığır açan gelişmeler elde etti" dedi. 

“Birkaç milisaniyeden daha uzun sürede kesintilerle etkili bir şekilde mücadele edemezsiniz. Bu, ölümcül bir kanserin tedavisine çok ilerlemişken tedaviye başlamak gibi olurdu." Çalışma, 2019'da Nature dergisinde yayınlanan etkili bir makalede ayrıntılı olarak açıklandı . Tang ve ekibi, uygun şekilde doğrulanmış ve doğrulanmış gözlemsel verilerle eğitilmiş makine öğrenimi modellerini kullanarak tokamaklardaki gerçek zamanlı kesintileri ortadan kaldırmaya vurgu yaparak bu alanda çalışmaya devam ediyor. Stellarator tasarımında yeni bir değişiklik PPPL'nin füzyona yönelik yapay zeka projeleri tokamakların ötesine uzanıyor. 

PPPL'nin Dijital Mühendislik Başkanı Michael Churchill, başka bir tür füzyon reaktörü olan yıldızlaştırıcının tasarımını geliştirmek için makine öğrenimini kullanıyor . Tokamaklar çörek gibi görünüyorsa, yıldızlaştırıcılar daha karmaşık, çarpık bir tasarıma sahip füzyon dünyasının kıtırıcıları olarak görülebilir. "Bir yıldızlandırıcının tasarımını doğrularken birçok farklı koddan yararlanmamız gerekiyor. Dolayısıyla soru şu oluyor: 'Yıldız tasarımı için en iyi kodlar nelerdir ve bunları kullanmanın en iyi yolları nelerdir?'” dedi Churchill. 

"Bu, hesaplamalardaki ayrıntı düzeyi ile yanıtların ne kadar hızlı üretildiği arasında bir denge kurma eylemidir." Tokamaklar ve yıldızlaştırıcılar için mevcut simülasyonlar gerçeğe yaklaşıyor ancak henüz ikiz değiller. "Simülasyonlarımızın gerçek dünyaya %100 uygun olmadığını biliyoruz. Çoğu zaman eksikliklerin olduğunu biliyoruz. Bir füzyon makinesinde göreceğiniz dinamiğin çoğunu yakaladığını düşünüyoruz, ancak yakalayamadığımız çok şey var."

Churchill ideal olarak dijital bir ikiz istediğinizi söyledi: simüle edilmiş dijital modeller ile deneylerde elde edilen gerçek dünya verileri arasında geri bildirim döngüsüne sahip bir sistem. "Faydalı bir dijital ikizde, bu fiziksel veriler, gelecekteki performansın nasıl olacağını daha iyi tahmin etmek amacıyla dijital modeli güncellemek için kullanılabilir ve bundan faydalanılabilir." Şaşırtıcı olmayan bir şekilde, gerçekliği taklit etmek çok sayıda karmaşık kod gerektirir. Buradaki zorluk, kod ne kadar karmaşıksa, çalıştırılmasının da o kadar uzun sürmesidir. 

Örneğin, X-Point Integrated Gyrokinetic Code (XGC) adı verilen ve yaygın olarak kullanılan bir kod yalnızca gelişmiş süper bilgisayarlarda çalışabilir ve o zaman bile hızlı çalışmaz. “Özel bir exascale süper bilgisayarınız olmadığı sürece, bir füzyon deneyini her çalıştırdığınızda XGC'yi çalıştırmayacaksınız. 

Churchill, muhtemelen [binlercesinin] 30 ila 50'sini plazma deşarjıyla çalıştırdık, dedi. Churchill'in farklı kodları ve optimizasyon sürecini hızlandırmak için yapay zekayı kullanmasının nedeni budur. "Gerçekten daha yüksek doğrulukta hesaplamalar yapmak istiyoruz, ancak çok daha hızlı bir şekilde optimizasyon yapabilmek istiyoruz" dedi.

Benzer şekilde, Araştırma Fizikçisi Stefano Munaretto'nun ekibi, orijinal olarak DOE'nin Oak Ridge Ulusal Laboratuvarı ve Tennessee-Knoxville Üniversitesi tarafından PPPL'nin tokamak NSTX-U'su için geliştirilen HEAT adlı bir kodu hızlandırmak için yapay zeka kullanıyor. HEAT, plazma simülasyonunun tokamak dalgıcın 3 boyutlu bilgisayar destekli tasarım (CAD) modeliyle eşleşecek şekilde 3 boyutlu olmasını sağlayacak şekilde güncelleniyor. 

Füzyon kabının tabanında bulunan dalgıç, reaksiyon sırasında oluşan ısıyı ve külü çıkarır. 3 boyutlu bir plazma modeli, farklı plazma konfigürasyonlarının ısı akışlarını veya tokamaktaki ısının hareket modellerini nasıl etkileyebileceğinin anlaşılmasını geliştirmelidir. Belirli bir plazma konfigürasyonu için ısının hareketini anlamak, benzer bir plazma ile gelecekteki bir deşarjda ısının muhtemelen nasıl hareket edeceğine dair fikir verebilir. 

Araştırmacılar, HEAT'ı optimize ederek, bir sonrakine karar vermek için son atışla ilgili bilgileri kullanarak, plazma çekimleri arasındaki karmaşık kodu hızlı bir şekilde çalıştırmayı umuyorlar. Munaretto, "Bu, bir sonraki çekimde ortaya çıkacak ısı akışlarını tahmin etmemize ve ısı akışının yön değiştirici için çok yoğun olmaması için potansiyel olarak bir sonraki çekim için parametreleri sıfırlamamıza olanak tanıyacak" dedi. "Bu çalışma aynı zamanda gelecekteki füzyon enerji santrallerini tasarlamamıza da yardımcı olabilir." PPPL Yardımcı Araştırma Fizikçisi Doménica Corona Rivera, HEAT'ı optimize etme çabalarına derinden dahil oldu. 

Anahtar, geniş bir giriş parametresi aralığını yalnızca dört veya beşe daraltmaktır, böylece kod basitleştirilmiş ancak son derece doğru olacaktır. Corona Rivera, "'Bu parametrelerden hangileri anlamlı ve ısıyı gerçekten etkileyecek?' diye sormamız gerekiyor" dedi. Bunlar makine öğrenimi programını eğitmek için kullanılan temel parametrelerdir. Churchill ve Munaretto'nun desteğiyle Corona Rivera, sonuçları HEAT'in orijinal sürümündeki sonuçlarla yaklaşık %90 oranında senkronize tutarken, ısıyı dikkate almak için kodu çalıştırmak için gereken süreyi zaten büyük ölçüde azalttı. 

"Anlık bir olay" dedi. İdeal ısıtma için doğru koşulları bulma Araştırmacılar ayrıca iyon siklotron radyo frekansı ısıtması (ICRF) olarak bilinen bir tekniği mükemmelleştirerek plazmadaki iyonları ısıtmak için en iyi koşulları bulmaya çalışıyorlar. Bu ısıtma türü, plazmadaki büyük parçacıkların yani iyonların ısıtılmasına odaklanır. Plazmanın yoğunluk, basınç, sıcaklık ve manyetik alanın yoğunluğu gibi farklı özellikleri vardır. Bu özellikler, dalgaların plazma parçacıklarıyla nasıl etkileşime girdiğini değiştirir ve dalgaların yollarını ve dalgaların plazmayı ısıtacağı alanları belirler. 

Bu etkilerin ölçülmesi, plazmanın radyo frekansı ısınmasının kontrol edilmesi açısından çok önemlidir; böylece araştırmacılar, dalgaların plazma içinde verimli bir şekilde hareket ederek onu doğru alanlarda ısıtmasını sağlayabilirler.

Sorun, plazma ve radyo dalgası etkileşimlerini simüle etmek için kullanılan standart kodların çok karmaşık olması ve gerçek zamanlı kararlar vermek için kullanılamayacak kadar yavaş çalışmasıdır. PPPL'de yardımcı araştırma fizikçisi olan Álvaro Sánchez Villar, "Makine öğrenimi bize kodu optimize etmek için büyük bir potansiyel getiriyor" dedi. 

"Temel olarak plazmayı daha iyi kontrol edebiliyoruz çünkü plazmanın nasıl gelişeceğini tahmin edebiliyoruz ve bunu gerçek zamanlı olarak düzeltebiliyoruz." Proje, yaygın olarak kullanılan bir fizik kodunu hızlandırmak için farklı makine öğrenimi türlerini denemeye odaklanıyor. Sánchez Villar ve ekibi, farklı füzyon cihazları ve ısıtma türleri için kodun birden fazla hızlandırılmış versiyonunu gösterdi. Modeller, sonuçların doğruluğu üzerinde minimum etkiyle yanıtları dakikalar yerine mikrosaniyeler içinde bulabilir . 

Sánchez Villar ve ekibi, optimize edilmiş kodla zorlu senaryoları ortadan kaldırmak için makine öğrenimini de kullanabildi. Sánchez Villar, kodun doğruluğunun, "artan sağlamlığının" ve hızlandırılmasının onu birçok fizik kodunun bir arada kullanıldığı entegre modelleme ve füzyon araştırmaları için hayati önem taşıyan gerçek zamanlı kontrol uygulamaları için çok uygun hale getirdiğini söylüyor. 

Plazmanın kenarına ilişkin anlayışımızı geliştirmek PPPL Baş Araştırma Fiziği Fatima Ebrahimi, DOE'nin Bilim Ofisi'nin bir parçası olan ve davranışı incelemek için çeşitli tokamaklardan deneysel verileri, plazma simülasyon verilerini ve yapay zekayı kullanan İleri Bilimsel Hesaplama Araştırma programı için dört yıllık bir projenin baş araştırmacısıdır. Füzyon sırasında plazmanın kenarı. Ekip, bulgularının ticari ölçekte bir tokamak üzerinde plazmayı sınırlandırmanın en etkili yollarını ortaya çıkaracağını umuyor. 

Projenin birden fazla hedefi olsa da makine öğrenimi perspektifinden bakıldığında amaç açıktır. Ebrahimi, "Makine öğreniminin tüm verilerimizden ve simülasyonlarımızdan yararlanmamıza nasıl yardımcı olabileceğini keşfetmek istiyoruz, böylece teknolojik boşlukları kapatabilir ve yüksek performanslı bir plazmayı uygulanabilir bir füzyon enerji santrali sistemine entegre edebiliriz" dedi. Cihazlar, kenar lokalizasyonlu modlar (ELM'ler) olarak bilinen plazmanın kenarındaki büyük ölçekli kararsızlıklardan arınmış bir durumda çalışırken, dünya çapındaki tokamaklardan toplanan çok sayıda deneysel veri bulunmaktadır. 

Bu tür anlık, patlayıcı ELM'lerden kaçınılmalıdır çünkü tokamak'ın iç bileşenlerine zarar verebilir, tokamak duvarlarındaki yabancı maddeleri plazmaya çekebilir ve füzyon reaksiyonunu daha az verimli hale getirebilirler. Sorun, günümüzün deneysel tokamaklarından çok daha büyük olacak ve çok daha sıcak çalışacak olan ticari ölçekli bir tokamak'ta ELM'siz bir duruma nasıl ulaşılacağıdır. Ebrahimi ve ekibi, hibrit bir veri tabanı oluşturmak için deneysel sonuçları deneysel verilerle zaten doğrulanmış plazma simülasyonlarından elde edilen bilgilerle birleştirecek. Veritabanı daha sonra plazma yönetimi hakkında makine öğrenimi modellerini eğitmek için kullanılacak ve bu daha sonra simülasyonu güncellemek için kullanılabilecek.

Ebrahimi, "Eğitim ile simülasyon arasında bazı geçişler var" diye açıkladı. Araştırmacılar, süper bilgisayarlarda makine öğrenimi modelinin yüksek kaliteli bir simülasyonunu çalıştırarak, mevcut verilerin kapsadığı senaryoların ötesindeki senaryolar hakkında hipotezler üretebilirler. Bu, ticari ölçekte plazmanın üstünlüğünü yönetmenin en iyi yollarına dair değerli bilgiler sağlayabilir.