Aprendizaje automático, una técnica utilizada en el software de inteligencia artificial (IA) detrás de los coches autónomos y los asistentes digitales, ahora permite a los científicos abordar los desafíos clave para cosechar en la Tierra la energía de fusión que alimenta el sol y las estrellas. La técnica permitió recientemente al físico Dan Boyer del Laboratorio de Física del Plasma de Princeton (PPPL) del Departamento de Energía de EE. UU. (DOE) para desarrollar predicciones rápidas y precisas para avanzar en el control de los experimentos en el Experimento-Actualización del Toro Esférico Nacional (NSTX-U), el buque insignia instalación de fusión en PPPL que se encuentra actualmente en reparación.

Tales predicciones de IA podrían mejorar la capacidad de los científicos de NSTX-U para optimizar los componentes de los experimentos que calientan y dan forma al plasma confinado magnéticamente que alimenta los experimentos de fusión. Al optimizar el calentamiento y la conformación del plasma, los científicos podrán estudiar de manera más eficaz los aspectos clave del desarrollo de plasmas ardientes, en gran parte reacciones de fusión de autocalentamiento, que serán fundamentales para el ITER. el experimento internacional en construcción en Francia, y futuros reactores de fusión.

Tácticas de aprendizaje automático

"Este es un paso hacia lo que debemos hacer para optimizar los actuadores, "dijo Boyer, autor de un artículo en Fusión nuclear que describe las tácticas de aprendizaje automático. "El aprendizaje automático puede convertir los datos históricos en un modelo simple que podemos evaluar con la suficiente rapidez para tomar decisiones en la sala de control o incluso en tiempo real durante un experimento".

Las reacciones de fusión combinan elementos ligeros en forma de plasma:los estado cargado de materia compuesta de electrones libres y núcleos atómicos que constituye el 99 por ciento del universo visible, para generar cantidades masivas de energía. La reproducción de la energía de fusión en la Tierra crearía un suministro prácticamente inagotable de energía limpia y segura para generar electricidad.

Boyer y el coautor Jason Chadwick, un estudiante de pregrado en la Universidad Carnegie Mellon y un participante del programa de Pasantía de Laboratorio de Pregrado de Ciencias (SULI) en PPPL el verano pasado, probó pronósticos de aprendizaje automático utilizando 10 años de datos para NSTX, el precursor de NSTX-U, y las 10 semanas de funcionamiento de NSTX-U. Los dos tokamaks esféricos tienen una forma más parecida a la de las manzanas con corazón que a la forma de rosquilla de los tokamaks convencionales más voluminosos y más utilizados. y crean campos magnéticos rentables que confinan el plasma.

Las pruebas de aprendizaje automático predijeron correctamente la distribución de la presión y la densidad de los electrones en los plasmas de fusión, dos parámetros críticos pero difíciles de pronosticar. "La presión de los electrones y la distribución de la densidad dentro del plasma son clave para comprender el comportamiento de los plasmas de fusión, ", Dijo Boyer." Necesitamos modelos de estos factores para predecir el impacto de cambiar el calentamiento y la forma en el rendimiento y la estabilidad de los experimentos ".

"Si bien existen modelos basados ​​en la física para predecir la presión y la densidad de los electrones, " él dijo, "No son apropiados para la toma de decisiones en tiempo real. Llevan demasiado tiempo calcularlos y no son tan precisos como necesitamos".

El modelo aborda ambos problemas

El modelo de aprendizaje automático aborda ambos problemas. "Ha aprendido a hacer predicciones a partir de miles de perfiles observados en los tokamaks PPPL y ha realizado asociaciones entre combinaciones de entradas y salidas de datos reales, "Dijo Boyer. Una vez entrenado, el modelo tarda menos de una milésima de segundo en evaluar. La velocidad del modelo resultante podría hacerlo útil para muchas aplicaciones en tiempo real, él dijo.

El enfoque no está exento de limitaciones. "Dado que el modelo se entrena con datos observados históricamente, no puede hacer predicciones sobre nuevos puntos operativos con alta precisión, ", Dijo Boyer. Él planea abordar esta limitación agregando los resultados de las predicciones del modelo basado en la física a los datos de entrenamiento y desarrollando técnicas para adaptar el modelo a medida que haya nuevos datos disponibles.