Tecniche di apprendimento automatico, meglio conosciuto per aver insegnato alle auto a guida autonoma a fermarsi al semaforo rosso, potrebbe presto aiutare i ricercatori di tutto il mondo a migliorare il loro controllo sulla reazione più complicata conosciuta dalla scienza:la fusione nucleare.

Le reazioni di fusione sono tipicamente atomi di idrogeno riscaldati per formare una nuvola gassosa chiamata plasma che rilascia energia quando le particelle si scontrano e si fondono. Ottenere queste reazioni sotto un migliore controllo potrebbe creare enormi quantità di energia ecologicamente pulita dai reattori nucleari nelle centrali elettriche a fusione del futuro.

"La connessione tra machine learning ed energia da fusione non è ovvia, ", ha affermato Aidan Thompson, ricercatore dei Sandia National Laboratories, investigatore principale per un premio triennale del Dipartimento dell'Energia dell'Ufficio della Scienza di $ 2,2 milioni all'anno per fare proprio questo collegamento. "In parole povere, abbiamo aperto la strada all'uso dell'apprendimento automatico per migliorare le simulazioni del materiale della parete del reattore mentre interagisce con il plasma. Questo è andato oltre lo scopo delle simulazioni su scala atomica del passato".

Il risultato atteso dovrebbe suggerire modifiche procedurali o strutturali per migliorare la produzione di energia nucleare, Egli ha detto.

Potere dell'apprendimento automatico nella modellazione della fusione nucleare

L'apprendimento automatico è potente perché utilizza mezzi matematici e statistici per capire una situazione, piuttosto che analizzare ogni dato nella categoria desiderata. Per esempio, bastano poche foto di cani per insegnare a un sistema di riconoscimento il concetto di "pecorina", in altre parole, "questo è un cane", piuttosto che scansionare tutte le foto di cani esistenti.

L'approccio di apprendimento automatico di Sandia alla fusione nucleare è lo stesso, ma più complicato.

"Non è un problema banale osservare fisicamente cosa sta succedendo all'interno delle pareti di un reattore poiché queste strutture sono bombardate internamente con idrogeno, elio, deuterio e trizio come parti di un plasma surriscaldato, " ha detto Thompson.

Descrisse i componenti del plasma circolare che colpivano e alteravano la composizione delle pareti di sostegno e atomi pesanti che si staccavano dalle pareti colpite e alteravano il plasma. Le reazioni avvengono in nanosecondi a temperature calde come il sole. Cercare di modificare i componenti utilizzando tentativi ed errori per migliorare i risultati è straordinariamente laborioso.

Algoritmi di apprendimento automatico, d'altra parte, utilizzare dati generati dal computer senza misurazioni dirette da esperimenti e può fornire informazioni che alla fine potrebbero essere utilizzate per rendere meno dannose le interazioni del plasma con il materiale della parete di contenimento e quindi migliorare la produzione energetica complessiva dei reattori a fusione.

"Non c'è altro modo per ottenere queste informazioni, " ha detto Thompson.

Un piccolo numero di atomi predicono l'energia di molti

Il team di Thompson si aspetta che utilizzando grandi set di dati di calcoli di meccanica quantistica in condizioni estreme come dati di addestramento, possono costruire un modello di apprendimento automatico che predice l'energia di qualsiasi configurazione di atomi.

Questo modello, chiamato potenziale interatomico di apprendimento automatico, o MLIAP, possono essere inseriti in enormi codici di dinamica molecolare classica come il pluripremiato LAMMPS di Sandia, o Simulatore massivo parallelo atomico/molecolare su larga scala, Software. In questo modo, interrogando solo un numero relativamente piccolo di atomi, possono estendere l'accuratezza della meccanica quantistica alla scala di milioni di atomi necessari per simulare il comportamento dei materiali energetici di fusione.

"Allora perché quello che stiamo facendo è l'apprendimento automatico e non solo la contabilità di molti dati?" chiede retoricamente Thompson. "La risposta breve è, generiamo equazioni da un insieme infinito di possibili variabili per costruire modelli basati sulla fisica ma contenenti centinaia o migliaia di parametri che ci tengono entro il raggio del nostro obiettivo".

Un problema è che l'accuratezza del modello MLIAP dipende dalla sovrapposizione tra i dati di addestramento e gli ambienti atomici effettivi incontrati dall'applicazione, disse Thompson.

Questi ambienti possono essere vari, che richiedono nuovi dati di addestramento e alterazione del modello di apprendimento automatico. Riconoscere e correggere le sovrapposizioni fa parte del lavoro dei prossimi anni.

"Il nostro modello in un primo momento verrà utilizzato per interpretare piccoli esperimenti, "Ha detto Thompson. "Al contrario, che i dati sperimentali saranno utilizzati per convalidare il nostro modello, che può quindi essere utilizzato per fare previsioni su ciò che sta accadendo in un reattore a fusione su vasta scala".

L'obiettivo per consentire ai ricercatori nel campo della fusione di accedere ai modelli di apprendimento automatico di Sandia per costruire reattori a fusione migliori è di circa tre anni, disse Thompson.