Apprendimento automatico, che consente ai ricercatori di determinare se due processi sono collegati causalmente senza rivelare come, potrebbe aiutare a stabilizzare il plasma all'interno di dispositivi di fusione a forma di ciambella noti come tokamak. Tale apprendimento può facilitare l'evitamento di interruzioni, eventi fuori dal normale nei plasmi tokamak che possono portare a una perdita molto rapida delle energie termiche e magnetiche immagazzinate e minacciare l'integrità della macchina. Un articolo dello studente laureato Matthew Parsons pubblicato a giugno sulla rivista Fisica del plasma e fusione controllata descrive l'applicazione dell'apprendimento per evitare interruzioni, che sarà cruciale per garantire la longevità dei futuri grandi tokamak.

Parsons ha iniziato la ricerca su questo argomento presso il Princeton Plasma Physics Laboratory (PPPL) del Dipartimento dell'Energia degli Stati Uniti come membro del programma SULI (Science Undergraduate Laboratory Internships) del DOE. Ha collaborato con gli scienziati PPPL William Tang ed Eliot Feibush come stagista SULI nelle estati del 2014 e del 2015, e poi come dipendente temporaneo PPPL nel 2016. "La comunità della fisica del plasma è molto interessata a identificare più classificatori per studiare instabilità e interruzioni, " ha detto Feibush. "Matt è idealmente qualificato per lavorare su questo argomento chiave."

Parsons ha sviluppato nuovi modi per applicare la sua ricerca PPPL come beneficiario Fulbright presso ITER, il tokamak internazionale in costruzione in Francia, da settembre 2016 ad aprile 2017 e ha basato il documento sul suo lavoro. Attualmente è iscritto al programma di dottorato presso l'Università dell'Illinois a Urbana-Champaign

"Quando usi il machine learning, "Parson ha detto, "Tu consideri i modelli prodotti dal programma per computer come scatole nere:ci metti dentro qualcosa e poi tiri fuori qualcosa, ma non sempre si sa in che modo l'output è correlato a ciò che si inserisce. In questo documento, Rendo quella scatola nera un po' più trasparente".

La scatola nera non ha bisogno di scoprire i meccanismi alla base dei nessi causali. Per esempio, una persona potrebbe osservare centinaia di temporali e osservare che i fulmini tendono a precedere i tuoni. Quella persona potrebbe dedurre che il tuono seguirà di nuovo il fulmine durante una futura tempesta. Ma tale inferenza non include alcuna informazione su come, Esattamente, fulmini e tuoni sono correlati.

I fisici possono utilizzare l'apprendimento automatico per analizzare il comportamento del plasma, il brodo caldo di elettroni e nuclei atomici carichi racchiusi da campi magnetici all'interno dei tokamak. Inserendo i dati degli esperimenti passati in un programma di apprendimento automatico, gli scienziati possono scoprire quale comportamento del plasma tende a precedere le interruzioni. Possono quindi costruire un sistema che monitori il plasma alla ricerca di segni di quei precursori di interruzione, in teoria dando agli scienziati il ​​tempo di guidare il plasma verso la stabilità.

"Una cosa che mi entusiasma davvero della tecnica di analisi che propongo è che in realtà è abbastanza semplice e potrebbe essere implementata abbastanza facilmente da chiunque stia sviluppando questi modelli di apprendimento automatico, " Dice Parsons. "Tutto quello che devi fare è prendere l'output numerico del modello di previsione, che in un certo senso descrive quanto sei vicino a un'interruzione, cambia i tuoi input con un piccolo incremento, e confrontare il nuovo output con l'output originale. Più piccolo è il cambiamento, tanto più stabile è la scarica di plasma rispetto alle variabili di input. Questo è davvero il fulcro di ciò che propongo".

Sebbene i modelli a scatola nera tendano ad essere evitati dalla comunità dei fisici, Parsons insiste che potrebbero essere utili. "Come fisici, il modo in cui guardiamo ai problemi è cercare di capire la relazione tra ciò che entra nel tuo modello e ciò che viene fuori, " dice. "È naturale, poi, che quando vediamo questi modelli a scatola nera, pensiamo che non sia qualcosa con cui vogliamo avere a che fare perché non capiamo cosa sta succedendo".

Però, "molti dei problemi che stiamo affrontando nella fusione sono molto tecnici, e se potessimo arrivare ad alcune delle soluzioni utilizzando l'apprendimento automatico, Penso che sia prudente esplorare tutte le opzioni e non escluderne alcune solo perché sono diverse dalla nostra formazione".