Apprendimento automatico, una tecnica utilizzata nel software di intelligenza artificiale (AI) dietro le auto a guida autonoma e gli assistenti digitali, ora consente agli scienziati di affrontare le sfide chiave per raccogliere sulla Terra l'energia di fusione che alimenta il sole e le stelle. La tecnica ha recentemente permesso al fisico Dan Boyer del Princeton Plasma Physics Laboratory (PPPL) del Dipartimento dell'Energia degli Stati Uniti di sviluppare previsioni rapide e accurate per il controllo avanzato degli esperimenti nel National Spherical Torus Experiment-Upgrade (NSTX-U), il fiore all'occhiello impianto di fusione a PPPL che è attualmente in riparazione.

Tali previsioni dell'IA potrebbero migliorare la capacità degli scienziati dell'NSTX-U di ottimizzare i componenti degli esperimenti che riscaldano e modellano il plasma confinato magneticamente che alimenta gli esperimenti di fusione. Ottimizzando il riscaldamento e la modellatura del plasma, gli scienziati saranno in grado di studiare in modo più efficace gli aspetti chiave dello sviluppo dei plasmi in combustione, in gran parte reazioni di fusione autoriscaldanti, che saranno fondamentali per ITER, l'esperimento internazionale in costruzione in Francia, e futuri reattori a fusione.

Tattiche di apprendimento automatico

"Questo è un passo avanti verso ciò che dovremmo fare per ottimizzare gli attuatori, " disse Boyer, autore di un articolo in Fusione nucleare che descrive le tattiche di apprendimento automatico. "L'apprendimento automatico può trasformare i dati storici in un modello semplice che possiamo valutare abbastanza rapidamente da prendere decisioni nella sala di controllo o anche in tempo reale durante un esperimento".

Le reazioni di fusione combinano elementi leggeri sotto forma di plasma:il caldo, stato carico della materia composto da elettroni liberi e nuclei atomici che costituisce il 99 percento dell'universo visibile, per generare enormi quantità di energia. La riproduzione dell'energia da fusione sulla Terra creerebbe una fornitura virtualmente inesauribile di energia sicura e pulita per generare elettricità.

Boyer e il coautore Jason Chadwick, uno studente universitario alla Carnegie Mellon University e un partecipante al programma Science Undergraduate Laboratory Internship (SULI) al PPPL la scorsa estate, testato previsioni di apprendimento automatico utilizzando 10 anni di dati per NSTX, il precursore di NSTX-U, e le 10 settimane di funzionamento di NSTX-U. I due tokamak sferici hanno la forma più simile a mele senza torsolo rispetto alla forma a ciambella dei tokamak convenzionali più ingombranti e più ampiamente utilizzati, e creano campi magnetici economici che confinano il plasma.

I test di apprendimento automatico hanno previsto correttamente la distribuzione della pressione e della densità degli elettroni nei plasmi di fusione, due parametri critici ma difficili da prevedere. "La pressione degli elettroni e la distribuzione della densità all'interno del plasma sono fondamentali per comprendere il comportamento dei plasmi di fusione, " Boyer ha detto. "Abbiamo bisogno di modelli di questi fattori per prevedere l'impatto del cambiamento di riscaldamento e modellatura sulle prestazioni e sulla stabilità degli esperimenti".

"Mentre esistono modelli basati sulla fisica per prevedere la pressione e la densità degli elettroni, " Egli ha detto, "non sono appropriati per il processo decisionale in tempo reale. Richiedono troppo tempo per essere calcolati e non sono precisi come abbiamo bisogno che siano."

Il modello risolve entrambi i problemi

Il modello di machine learning affronta entrambi i problemi. "Ha imparato a fare previsioni da migliaia di profili osservati nei tokamak PPPL e ha creato associazioni tra combinazioni di input e output di dati reali, " disse Boyer. Una volta addestrato, il modello impiega meno di un millesimo di secondo per essere valutato. La velocità del modello risultante potrebbe renderlo utile per molte applicazioni in tempo reale, Egli ha detto.

L'approccio non è esente da limiti. "Poiché il modello è addestrato su dati osservati storicamente, non può fare previsioni su nuovi punti operativi con elevata precisione, Ha detto Boyer. Ha intenzione di affrontare questa limitazione aggiungendo i risultati delle previsioni del modello basato sulla fisica ai dati di addestramento e sviluppando tecniche di adattamento del modello man mano che nuovi dati diventano disponibili.