Al aplicar métodos modernos de ciencia de datos y aprendizaje automático a la física del plasma "extrema", los investigadores pueden obtener información sobre nuestro universo y encontrar pistas sobre cómo crear una cantidad ilimitada de energía.

En una perspectiva reciente publicada en Naturaleza , Los científicos y colaboradores internacionales del Laboratorio Nacional Lawrence Livermore (LLNL) describen los desafíos clave y las direcciones futuras en el uso del aprendizaje automático (ML) y otras técnicas basadas en datos para comprender mejor estas condiciones extremas que potencialmente allanan el camino hacia la fusión nuclear como fuente de energía industrial. además de ayudar a mejorar nuestra comprensión del universo.

El plasma extremo se describe como la física de la materia a densidades extremas, temperaturas y presiones como las que se encuentran en el interior de estrellas y planetas.

"Históricamente, los experimentos extremos de física de plasma tenían una tasa de datos muy baja, pero las instalaciones láser planificadas para el futuro tendrán una tasa de disparo muy alta, con el potencial de producir grandes cantidades de datos, "dijo la física de LLNL Gemma Anderson, uno de los autores principales del artículo. "Esto, a su vez, trasladará el campo al régimen de big data y creará la correspondiente necesidad de aprovechar los métodos modernos de ciencia de datos en un grado mucho mayor".

La última generación de instalaciones de física extrema puede realizar experimentos varias veces por segundo (a diferencia de casi todos los días), alejándose del control humano hacia el control automático. Para aprovechar al máximo las oportunidades emergentes, el equipo propuso un libro de jugadas para usar ML en ciencia de alta densidad de energía a través del diseño de investigación, capacitación, mejores prácticas y soporte para diagnósticos sintéticos y análisis de datos.

El estudio de la física del plasma bajo temperaturas extremas, densidades y la fuerza del campo electromagnético es importante para comprender la astrofísica, fusión nuclear y física fundamental. Estos sistemas son altamente no lineales y son muy difíciles de entender teóricamente o demostrar experimentalmente.

Anderson y sus colegas han sugerido que los modelos de aprendizaje automático y los métodos basados ​​en datos podrían ser la respuesta al remodelar la exploración de estos sistemas extremos que han demostrado ser demasiado complejos para que los investigadores humanos los hagan por sí mismos. Interpretar los datos de los experimentos de estos sistemas, como la Instalación Nacional de Ignición, requiere comprender simultáneamente grandes cantidades de datos multimodales complejos de múltiples fuentes diferentes. La imagen de arriba muestra un flujo de trabajo potencial que integra completamente métodos basados ​​en datos y de aprendizaje automático para lograr este objetivo. La optimización de los sistemas de física extrema requiere un ajuste fino de una gran cantidad de parámetros (a menudo altamente correlacionados). Los métodos de inteligencia artificial han demostrado ser muy exitosos para descubrir correlaciones en grandes conjuntos de datos y pueden ser cruciales para comprender y optimizar sistemas que hasta ahora han sido difíciles de entender.

El documento fue el resultado de un taller organizado por Anderson, su colega de LLNL Jim Gaffney y Peter Hatfield de la Universidad de Oxford, celebrada en el Centro Lorentz en los Países Bajos en enero de 2020. Un objetivo clave de la reunión fue redactar un libro blanco detallando las conclusiones de la reunión:qué estándares debería adoptar la comunidad, lo que el aprendizaje automático puede hacer por el campo y lo que depara el futuro.

Anderson dijo que el documento se distribuirá a los organismos de financiación clave y a los responsables de la formulación de políticas en los consejos de investigación y los laboratorios nacionales.