Le tecnologie dei reattori a fusione sono ben posizionate per contribuire alle nostre future esigenze energetiche in modo sicuro e sostenibile. I modelli numerici possono fornire ai ricercatori informazioni sul comportamento del plasma di fusione, nonché preziose informazioni sull'efficacia della progettazione e del funzionamento del reattore. Però, modellare il gran numero di interazioni del plasma richiede un numero di modelli specializzati che non sono abbastanza veloci da fornire dati sulla progettazione e sul funzionamento del reattore. Aaron Ho del gruppo Science and Technology of Nuclear Fusion nel dipartimento di Fisica Applicata ha esplorato l'uso di approcci di apprendimento automatico per accelerare la simulazione numerica del trasporto turbolento del plasma centrale. Ho ha difeso la sua tesi il 17 marzo.

L'obiettivo finale della ricerca sui reattori a fusione è ottenere un guadagno netto di potenza in modo economicamente sostenibile. Per raggiungere questo obiettivo, sono stati costruiti grandi e intricati dispositivi, ma man mano che questi dispositivi diventano più complessi, diventa sempre più importante adottare un approccio predittivo per quanto riguarda il suo funzionamento. Ciò riduce le inefficienze operative e protegge il dispositivo da gravi danni.

Per simulare un tale sistema sono necessari modelli in grado di catturare tutti i fenomeni rilevanti in un dispositivo di fusione, sono sufficientemente precisi da poter utilizzare le previsioni per prendere decisioni di progettazione affidabili e sono abbastanza veloci da trovare rapidamente soluzioni praticabili.

Modello basato su reti neurali

Per il suo dottorato di ricerca ricerca, Aaron Ho ha sviluppato un modello per soddisfare questi criteri utilizzando un modello basato su reti neurali. Questa tecnica consente effettivamente a un modello di mantenere sia la velocità che l'accuratezza a scapito della raccolta dei dati. L'approccio numerico è stato applicato a un modello di turbolenza di ordine ridotto, QuaLiKiz, che predice le quantità di trasporto del plasma causate dalla microturbolenza. Questo particolare fenomeno è il meccanismo di trasporto dominante nei dispositivi al plasma tokamak. Sfortunatamente, il suo calcolo è anche il fattore di velocità limite nell'attuale modellazione del plasma tokamak.

Ho ha addestrato con successo un modello di rete neurale con valutazioni QuaLiKiz utilizzando dati sperimentali come input di addestramento. La rete neurale risultante è stata quindi accoppiata in un quadro di modellazione integrato più ampio, JINTRAC, per simulare il nucleo del dispositivo al plasma.

Tempo di simulazione ridotto da 217 ore a sole due ore

Le prestazioni della rete neurale sono state valutate sostituendo il modello QuaLiKiz originale con il modello di rete neurale di Ho e confrontando i risultati. Rispetto al modello QuaLiKiz originale, Il modello di Ho considerava modelli fisici aggiuntivi, duplicato i risultati con una precisione del 10%, e ha ridotto il tempo di simulazione da 217 ore su 16 core a due ore su un singolo core.

Quindi per testare l'efficacia del modello al di fuori dei dati di addestramento, il modello è stato utilizzato in un esercizio di ottimizzazione utilizzando il sistema accoppiato su uno scenario ramp-up al plasma come prova di principio. Questo studio ha fornito una comprensione più profonda della fisica dietro le osservazioni sperimentali, e ha evidenziato il vantaggio del digiuno, accurato, e modelli al plasma dettagliati.

Finalmente, Ho suggerisce che il modello può essere esteso per ulteriori applicazioni come il controllore o la progettazione sperimentale. Raccomanda inoltre di estendere la tecnica ad altri modelli fisici, poiché è stato osservato che le previsioni di trasporto turbolento non sono più il fattore limitante. Ciò migliorerebbe ulteriormente l'applicabilità del modello integrato nelle applicazioni iterative e consentirebbe gli sforzi di convalida necessari per avvicinare le sue capacità a un modello veramente predittivo.