Applicando i moderni metodi di machine learning e data science alla fisica del plasma "estrema", i ricercatori possono ottenere informazioni sul nostro universo e trovare indizi sulla creazione di una quantità illimitata di energia.

In una recente prospettiva pubblicata in Natura , Gli scienziati e i collaboratori internazionali del Lawrence Livermore National Laboratory (LLNL) delineano le sfide chiave e le direzioni future nell'utilizzo dell'apprendimento automatico (ML) e altre tecniche basate sui dati per comprendere meglio queste condizioni estreme che potenzialmente aprono la strada alla fusione nucleare come fonte di energia industriale, oltre a contribuire a migliorare la nostra comprensione dell'universo.

Il plasma estremo è descritto come la fisica della materia a densità estreme, temperature e pressioni come quelle che si trovano all'interno di stelle e pianeti.

"Storicamente, gli esperimenti di fisica del plasma estremo hanno avuto una velocità di trasmissione dati molto bassa, ma le future strutture laser pianificate avranno una cadenza di tiro molto elevata, con la possibilità di produrre enormi quantità di dati, " ha detto il fisico LLNL Gemma Anderson, uno dei principali autori dell'articolo. "Questo a sua volta sposterà il campo nel regime dei big data e creerà una corrispondente necessità di sfruttare i moderni metodi di data science in misura molto maggiore".

La nuova generazione di strutture di fisica estrema può eseguire esperimenti più volte al secondo (anziché quasi quotidianamente), passando dal controllo basato sull'uomo al controllo automatico. Per sfruttare al meglio le opportunità emergenti, il team ha proposto un playbook per l'utilizzo del machine learning nella scienza ad alta densità di energia attraverso la progettazione della ricerca, addestramento, best practice e supporto per la diagnostica sintetica e l'analisi dei dati.

Lo studio della fisica del plasma a temperature estreme, densità e l'intensità del campo elettromagnetico è importante per comprendere l'astrofisica, fusione nucleare e fisica fondamentale. Questi sistemi sono altamente non lineari e sono molto difficili da comprendere teoricamente o da dimostrare sperimentalmente.

Anderson e colleghi hanno suggerito che i modelli di apprendimento automatico e i metodi basati sui dati potrebbero essere la risposta rimodellando l'esplorazione di questi sistemi estremi che si sono rivelati troppo complessi per i ricercatori umani da fare da soli. Interpretando i dati degli esperimenti di questi sistemi, come il National Ignition Facility, richiede la comprensione simultanea di grandi quantità di dati multimodali complessi da più fonti diverse. L'immagine sopra mostra un potenziale flusso di lavoro che integra completamente metodi basati sui dati e di apprendimento automatico per raggiungere questo obiettivo. L'ottimizzazione dei sistemi di fisica estrema richiede la messa a punto su un gran numero di parametri (spesso altamente correlati). I metodi di intelligenza artificiale si sono dimostrati molto efficaci nell'individuare le correlazioni in grandi set di dati e possono essere cruciali per comprendere e ottimizzare sistemi che fino ad ora sono stati difficili da comprendere.

Il documento è stato il risultato di un workshop organizzato da Anderson, il suo collega LLNL Jim Gaffney e Peter Hatfield dell'Università di Oxford, tenutosi presso il Lorentz Centre nei Paesi Bassi nel gennaio 2020. Un obiettivo chiave dell'incontro era scrivere un white paper che descrivesse in dettaglio le conclusioni dell'incontro:quali standard la comunità dovrebbe adottare, cosa può fare l'apprendimento automatico per il campo e cosa potrebbe riservare il futuro.

Anderson ha affermato che il documento sarà distribuito ai principali organismi di finanziamento e ai responsabili politici nei consigli di ricerca e nei laboratori nazionali.