Aprendizaje automático, que permite a los investigadores determinar si dos procesos están vinculados causalmente sin revelar cómo, podría ayudar a estabilizar el plasma dentro de los dispositivos de fusión en forma de rosquilla conocidos como tokamaks. Dicho aprendizaje puede facilitar la prevención de interrupciones, eventos anormales en los plasmas tokamak que pueden conducir a una pérdida muy rápida de las energías magnéticas y térmicas almacenadas y amenazar la integridad de la máquina. Un artículo del estudiante graduado Matthew Parsons publicado en junio en la revista Física del plasma y fusión controlada describe la aplicación del aprendizaje para evitar interrupciones, lo cual será crucial para asegurar la longevidad de futuros tokamaks grandes.

Parsons comenzó a investigar sobre este tema en el Laboratorio de Física del Plasma de Princeton (PPPL) del Departamento de Energía de EE. UU. (DOE) como miembro del programa de pasantías de laboratorio de pregrado de ciencias (SULI) del DOE. Colaboró ​​con los científicos de PPPL William Tang y Eliot Feibush como pasante de SULI en los veranos de 2014 y 2015, y luego como empleado temporal de PPPL en 2016. "La comunidad de física del plasma está muy interesada en identificar más clasificadores para estudiar inestabilidades e interrupciones, ", dijo Feibush." ​​Matt está idealmente calificado para trabajar en este tema clave ".

Parsons desarrolló nuevas formas de aplicar su investigación PPPL como becario Fulbright en ITER, el tokamak internacional en construcción en Francia, desde septiembre de 2016 hasta abril de 2017 y basó el documento en su trabajo allí. Actualmente está inscrito en el programa de doctorado de la Universidad de Illinois en Urbana-Champaign.

"Cuando utilizas el aprendizaje automático, "Parsons dijo, "Consideras que los modelos producidos por el programa informático son cajas negras; pones algo en él y luego sacas algo, pero no siempre sé cómo se relaciona el resultado con lo que ingresa. En este documento, Hago que esa caja negra sea un poco más transparente ".

La caja negra no necesita descubrir los mecanismos detrás de los vínculos causales. Por ejemplo, una persona puede observar cientos de tormentas eléctricas y observar que los relámpagos tienden a preceder a los truenos. Esa persona podría inferir que los truenos seguirán nuevamente a los relámpagos durante una tormenta futura. Pero esa inferencia no incluye ninguna información sobre cómo, exactamente, la iluminación y el trueno están relacionados.

Los físicos pueden utilizar el aprendizaje automático para analizar el comportamiento del plasma, la sopa caliente de electrones y núcleos atómicos cargados acorralados por campos magnéticos dentro de los tokamaks. Al introducir datos de experimentos anteriores en un programa de aprendizaje automático, los científicos pueden aprender qué comportamiento del plasma tiende a preceder a las interrupciones. Luego pueden construir un sistema que monitorea el plasma en busca de signos de esos precursores de disrupción, en teoría, dando tiempo a los científicos para dirigir el plasma hacia la estabilidad.

"Una cosa que realmente me entusiasma acerca de la técnica de análisis que propongo es que en realidad es bastante simple y cualquier persona que esté desarrollando estos modelos de aprendizaje automático podría implementarla con bastante facilidad. "Dice Parsons." Todo lo que tienes que hacer es tomar la salida numérica del modelo de predicción, que en cierto sentido describe lo cerca que estás de una interrupción, cambie sus entradas en un pequeño incremento, y compare la nueva salida con la salida original. Cuanto menor sea el cambio, cuanto más estable sea la descarga de plasma con respecto a las variables de entrada. Ese es realmente el núcleo de lo que propongo ".

Aunque los modelos de caja negra tienden a ser rechazados por la comunidad física, Parsons insiste en que podrían ser útiles. "Como físicos, la forma en que vemos los problemas es tratar de comprender la relación entre lo que entra en su modelo y lo que sale, ", dice." Es natural, luego, que cuando veamos estos modelos de caja negra, creemos que eso no es algo con lo que queramos lidiar porque no entendemos lo que está sucediendo ".

Sin embargo, "muchos de los problemas a los que nos enfrentamos en la fusión son muy técnicos, y si pudiéramos llegar a algunas de las soluciones mediante el aprendizaje automático, Creo que es prudente explorar todas las opciones y no excluir algunas solo porque son diferentes de nuestra capacitación ".