Aprendizado de máquina, que permite aos pesquisadores determinar se dois processos estão causalmente ligados sem revelar como, pode ajudar a estabilizar o plasma dentro de dispositivos de fusão em forma de donut, conhecidos como tokamaks. Esse aprendizado pode facilitar a prevenção de interrupções - eventos fora do normal em plasmas tokamak que podem levar à perda muito rápida das energias térmicas e magnéticas armazenadas e ameaçar a integridade da máquina. Artigo do estudante de graduação Matthew Parsons publicado em junho na revista Física do plasma e fusão controlada descreve a aplicação do aprendizado para evitar interrupções, que será crucial para garantir a longevidade de futuros grandes tokamaks.

Parsons começou a pesquisar este tópico no Laboratório de Física de Plasma de Princeton (PPPL) do Departamento de Energia dos EUA (DOE) como membro do programa de Estágios de Laboratório de Graduação em Ciências (SULI) do DOE. Ele colaborou com os cientistas do PPPL William Tang e Eliot Feibush como estagiário da SULI nos verões de 2014 e 2015, e depois como funcionário temporário da PPPL em 2016. "A comunidade de física de plasma está muito interessada em identificar mais classificadores para estudar instabilidades e interrupções, "disse Feibush." ​​Matt é perfeitamente qualificado para trabalhar neste tópico-chave. "

Parsons desenvolveu novas maneiras de aplicar sua pesquisa PPPL como bolsista Fulbright no ITER, o tokamak internacional em construção na França, de setembro de 2016 a abril de 2017 e baseou o artigo em seu trabalho lá. Ele atualmente está inscrito no programa de doutorado da Universidade de Illinois em Urbana-Champaign

"Quando você usa o aprendizado de máquina, "Parsons disse, "você considera os modelos produzidos pelo programa de computador como caixas pretas - você coloca algo neles e depois tira algo, mas nem sempre sabe como a saída está relacionada ao que você coloca. Neste artigo, Eu deixo essa caixa preta um pouco mais transparente. "

A caixa preta não precisa descobrir os mecanismos por trás das ligações causais. Por exemplo, uma pessoa pode observar centenas de tempestades e observar que os relâmpagos tendem a preceder os trovões. Essa pessoa pode inferir que o trovão seguirá novamente o raio durante uma tempestade futura. Mas essa inferência não inclui nenhuma informação sobre como, exatamente, iluminação e trovão estão relacionados.

Os físicos podem usar o aprendizado de máquina para analisar o comportamento do plasma, a sopa quente de elétrons e núcleos atômicos carregados encurralados por campos magnéticos dentro de tokamaks. Ao alimentar dados de experimentos anteriores em um programa de aprendizado de máquina, os cientistas podem aprender qual comportamento do plasma tende a preceder as interrupções. Eles podem então construir um sistema que monitora o plasma em busca de sinais desses precursores de interrupção, em teoria, dando aos cientistas tempo para direcionar o plasma para a estabilidade.

"Uma coisa que realmente me empolga sobre a técnica de análise que proponho é que ela é muito simples e poderia ser facilmente implementada por qualquer pessoa que esteja desenvolvendo esses modelos de aprendizado de máquina, ", Diz Parsons." Tudo o que você precisa fazer é obter a saída numérica do modelo de previsão, que de certa forma descreve o quão perto você está de uma interrupção, mude suas entradas em um pequeno incremento, e compare a nova saída com a saída original. Quanto menor a mudança, mais estável é a descarga de plasma em relação às variáveis ​​de entrada. Esse é realmente o cerne do que proponho. "

Embora os modelos de caixa preta tendam a ser evitados pela comunidade de física, Parsons insiste que eles podem ser úteis. "Como físicos, a maneira como olhamos para os problemas é tentando entender a relação entre o que entra em seu modelo e o que sai, "ele diz." É natural, então, que quando vemos esses modelos de caixa preta, pensamos que não é algo com que queremos lidar porque não entendemos o que está acontecendo. "

Contudo, "muitos dos problemas que enfrentamos na fusão são muito técnicos, e se pudéssemos chegar a algumas das soluções usando aprendizado de máquina, Acho que é prudente explorar todas as opções e não excluir algumas só porque são diferentes do nosso treinamento. "