Las tecnologías de los reactores de fusión están bien posicionadas para contribuir a nuestras necesidades futuras de energía de una manera segura y sostenible. Los modelos numéricos pueden proporcionar a los investigadores información sobre el comportamiento del plasma de fusión, así como información valiosa sobre la eficacia del diseño y funcionamiento del reactor. Sin embargo, para modelar el gran número de interacciones de plasma se requieren varios modelos especializados que no son lo suficientemente rápidos para proporcionar datos sobre el diseño y la operación del reactor. Aaron Ho, del grupo de Ciencia y Tecnología de Fusión Nuclear del Departamento de Física Aplicada, ha explorado el uso de enfoques de aprendizaje automático para acelerar la simulación numérica del transporte turbulento del plasma central. Ho defendió su tesis el 17 de marzo.

El objetivo final de la investigación sobre reactores de fusión es lograr una ganancia neta de energía de una manera económicamente viable. Para alcanzar este objetivo, Se han construido grandes dispositivos intrincados, pero a medida que estos dispositivos se vuelven más complejos, se vuelve cada vez más importante adoptar un enfoque de predecir primero con respecto a su funcionamiento. Esto reduce las ineficiencias operativas y protege el dispositivo de daños graves.

Para simular tal sistema se requieren modelos que puedan capturar todos los fenómenos relevantes en un dispositivo de fusión, son lo suficientemente precisos como para que las predicciones se puedan utilizar para tomar decisiones de diseño confiables y son lo suficientemente rápidos como para encontrar rápidamente soluciones viables.

Modelo basado en redes neuronales

Por su Ph.D. investigar, Aaron Ho desarrolló un modelo para satisfacer estos criterios utilizando un modelo basado en redes neuronales. Esta técnica permite que un modelo conserve tanto la velocidad como la precisión a costa de la recopilación de datos. El enfoque numérico se aplicó a un modelo de turbulencia de orden reducido, QuaLiKiz, que predice las cantidades de transporte de plasma causadas por microturbulencias. Este fenómeno particular es el mecanismo de transporte dominante en los dispositivos de plasma tokamak. Desafortunadamente, su cálculo es también el factor de velocidad límite en el modelado de plasma de tokamak actual.

Ho entrenó con éxito un modelo de red neuronal con evaluaciones de QuaLiKiz mientras usaba datos experimentales como entrada de entrenamiento. La red neuronal resultante se acopló luego a un marco de modelado integrado más grande, JINTRAC, para simular el núcleo del dispositivo de plasma.

El tiempo de simulación se redujo de 217 horas a solo dos horas.

El rendimiento de la red neuronal se evaluó reemplazando el modelo original de QuaLiKiz con el modelo de red neuronal de Ho y comparando los resultados. En comparación con el modelo QuaLiKiz original, El modelo de Ho consideró modelos físicos adicionales, duplicó los resultados con una precisión del 10%, y redujo el tiempo de simulación de 217 horas en 16 núcleos a dos horas en un solo núcleo.

Luego, para probar la efectividad del modelo fuera de los datos de entrenamiento, el modelo se utilizó en un ejercicio de optimización utilizando el sistema acoplado en un escenario de aceleración de plasma como prueba de principio. Este estudio proporcionó una comprensión más profunda de la física detrás de las observaciones experimentales, y destacó el beneficio de la rapidez, preciso, y modelos de plasma detallados.

Finalmente, Ho sugiere que el modelo se puede ampliar para otras aplicaciones, como controladores o diseño experimental. También recomienda extender la técnica a otros modelos físicos, ya que se observó que las predicciones de transporte turbulento ya no son el factor limitante. Esto mejoraría aún más la aplicabilidad del modelo integrado en aplicaciones iterativas y permitiría los esfuerzos de validación necesarios para acercar sus capacidades hacia un modelo verdaderamente predictivo.