Prima che gli scienziati possano catturare e distribuire efficacemente l'energia da fusione, devono imparare a prevedere le principali interruzioni che possono fermare le reazioni di fusione e danneggiare le pareti dei dispositivi di fusione a forma di ciambella chiamati tokamak. Previsione tempestiva di interruzioni, l'improvvisa perdita di controllo del caldo, plasma carico che alimenta le reazioni, sarà fondamentale per attivare misure per evitare o mitigare tali eventi su larga scala.

Oggi, I ricercatori del Princeton Plasma Physics Laboratory (PPPL) del Dipartimento dell'Energia degli Stati Uniti (DOE) e della Princeton University stanno impiegando l'intelligenza artificiale per migliorare la capacità predittiva. I ricercatori guidati da William Tang, un fisico PPPL e un docente con il grado e il titolo di professore all'Università di Princeton, stanno sviluppando il codice per le previsioni per ITER, l'esperimento internazionale in costruzione in Francia per dimostrare la praticità dell'energia da fusione.

Forma di "apprendimento profondo"

Il nuovo software predittivo, chiamato il codice Fusion Recurrent Neural Network (FRNN), è una forma di "apprendimento profondo":una versione più recente e più potente del moderno software di apprendimento automatico, un'applicazione dell'intelligenza artificiale. "Il deep learning rappresenta una nuova ed entusiasmante strada verso la previsione di interruzioni, " ha detto Tang. "Questa capacità ora può gestire dati multidimensionali".

FRNN è un'architettura di deep learning che ha dimostrato di essere il modo migliore per analizzare dati sequenziali con modelli a lungo raggio. I membri del team di machine learning della PPPL e della Princeton University sono i primi ad applicare sistematicamente un approccio di deep learning al problema della previsione delle interruzioni nei plasmi di fusione tokamak.

Architetto capo di FRNN è Julian Kates-Harbeck, uno studente laureato presso l'Università di Harvard e un DOE-Office of Science Computational Science Graduate Fellow. Attingendo all'esperienza acquisita durante il conseguimento di un master in informatica presso la Stanford University, ha guidato la costruzione del software FRNN.

Previsioni più accurate

Utilizzando questo approccio, il team ha dimostrato la capacità di prevedere gli eventi distruttivi in ​​modo più accurato rispetto ai metodi precedenti. Attingendo all'enorme base di dati presso la struttura Joint European Torus (JET) situata nel Regno Unito, il più grande e potente tokamak in funzione, i ricercatori hanno notevolmente migliorato le previsioni di interruzioni e ridotto il numero di falsi allarmi positivi. EUROfusione, il Consorzio Europeo per lo Sviluppo dell'Energia da Fusione, gestisce la ricerca JET.

Il team ora mira a raggiungere gli obiettivi sfidanti che ITER richiederà. Questi includono la produzione di previsioni corrette al 95% quando si verificano interruzioni, fornendo meno del 3% di falsi allarmi quando non ci sono interruzioni. "Sui set di dati di prova esaminati, il FRNN ha migliorato la curva per prevedere i veri positivi riducendo i falsi positivi, " disse Eliot Feibush, uno scienziato computazionale presso PPPL, facendo riferimento a quella che viene chiamata la curva "Caratteristica operativa del ricevitore" comunemente utilizzata per misurare l'accuratezza dell'apprendimento automatico. "Stiamo lavorando per portare più dati di allenamento per fare ancora meglio".

Altamente esigente

Il processo è molto impegnativo. "La formazione di reti neurali profonde è un'attività computazionalmente intensiva che richiede l'utilizzo di hardware di elaborazione ad alte prestazioni, " ha detto Alexey Svyatkovskiy, un ricercatore di big data della Princeton University. "Ecco perché gran parte di ciò che facciamo è sviluppare e distribuire nuovi algoritmi su molti processori per ottenere un calcolo parallelo altamente efficiente. Tale elaborazione gestirà la crescente dimensione dei problemi tratti dalla base di dati rilevanti per l'interruzione da JET e altri tokamak. "

Il codice di deep learning viene eseguito su unità di elaborazione grafica (GPU) in grado di calcolare migliaia di copie di un programma contemporaneamente, molto più delle vecchie unità di elaborazione centrale (CPU). Test eseguiti su moderni cluster GPU, e su macchine di livello mondiale come Titan, attualmente il supercomputer più veloce e potente degli Stati Uniti presso l'Oak Ridge Leadership Computing Facility, un DOE Office of Science User Facility presso l'Oak Ridge National Laboratory, hanno dimostrato un'eccellente scalatura lineare. Tale ridimensionamento riduce il tempo di esecuzione del calcolo in proporzione diretta al numero di GPU utilizzate, un requisito fondamentale per un'elaborazione parallela efficiente.

L'ammasso delle tigri di Princeton

Il cluster Tiger di GPU moderne della Princeton University è stato il primo a condurre test di deep learning, utilizzando FRNN per dimostrare la migliore capacità di prevedere le interruzioni della fusione. Da allora il codice è stato eseguito su Titan e altri importanti cluster GPU di supercalcolo negli Stati Uniti, Europa e Asia, e hanno continuato a mostrare un'eccellente scalabilità con il numero di GPU impegnate.

Andando avanti, i ricercatori cercano di dimostrare che questo potente software predittivo può essere eseguito su tokamak in tutto il mondo e infine su ITER. È inoltre pianificato il miglioramento della velocità di analisi dell'interruzione per le crescenti dimensioni dei problemi associati ai set di dati più grandi prima dell'inizio di un evento distruttivo. Il sostegno a questo progetto è arrivato principalmente dai fondi di ricerca e sviluppo diretti dal laboratorio forniti da PPPL.