Inteligência artificial (IA), um ramo da ciência da computação que está transformando a investigação científica e a indústria, agora pode acelerar o desenvolvimento de energia de fusão limpa e virtualmente ilimitada para gerar eletricidade. Um grande passo nessa direção está em andamento no Laboratório de Física de Plasma de Princeton (PPPL) do Departamento de Energia dos EUA (DOE) e na Universidade de Princeton, onde uma equipe de cientistas trabalhando com um aluno de pós-graduação de Harvard está aplicando, pela primeira vez, o aprendizado profundo - uma nova versão poderosa da forma de aprendizado de máquina da IA ​​- para prever interrupções repentinas que podem interromper as reações de fusão e danificar os tokamaks em forma de rosca que abrigam as reações.

Novo capítulo promissor na pesquisa de fusão

"Esta pesquisa abre um novo capítulo promissor no esforço de trazer energia ilimitada para a Terra, "Steve Cowley, diretor de PPPL, disse das descobertas, que são relatados na edição atual de Natureza revista. "A inteligência artificial está explodindo nas ciências e agora está começando a contribuir para a busca mundial pelo poder de fusão."

Fusão, que dirige o sol e as estrelas, é a fusão de elementos leves na forma de plasma - o quente, estado carregado de matéria composta de elétrons livres e núcleos atômicos - que gera energia. Os cientistas estão tentando replicar a fusão na Terra para um suprimento abundante de energia para a produção de eletricidade.

Crucial para demonstrar a capacidade de aprendizado profundo para prever interrupções - a perda repentina de confinamento de partículas de plasma e energia - tem sido o acesso a enormes bancos de dados fornecidos por duas grandes instalações de fusão:a DIII-D National Fusion Facility que a General Atomics opera para o DOE Em califórnia, a maior instalação nos Estados Unidos, e o Joint European Torus (JET) no Reino Unido, a maior instalação do mundo, que é administrado pela EUROfusion, o Consórcio Europeu para o Desenvolvimento da Energia de Fusão. O apoio de cientistas do JET e DIII-D tem sido essencial para este trabalho.

Os vastos bancos de dados permitiram previsões confiáveis ​​de interrupções em tokamaks diferentes daqueles nos quais o sistema foi treinado - neste caso, do menor DIII-D para o maior JET. A conquista é um bom presságio para a previsão de interrupções no ITER, um tokamak muito maior e mais poderoso que terá que aplicar os recursos aprendidos nas instalações de fusão atuais.

O código de aprendizado profundo, chamada Rede Neural Recorrente de Fusão (FRNN), também abre caminhos possíveis para controlar, bem como prever interrupções.

A área mais intrigante de crescimento científico

"A inteligência artificial é a área mais intrigante de crescimento científico no momento, e casar com a ciência de fusão é muito emocionante, "disse Bill Tang, um físico pesquisador principal do PPPL, co-autor do artigo e conferencista com a patente e o título de professor do Departamento de Ciências Astrofísicas da Universidade de Princeton que supervisiona o projeto de IA. "Aceleramos a capacidade de prever com alta precisão o desafio mais perigoso para limpar a energia de fusão."

Ao contrário do software tradicional, que executa as instruções prescritas, o aprendizado profundo aprende com seus erros. Realizando essa mágica aparente estão as redes neurais, camadas de nós interconectados - algoritmos matemáticos - que são "parametrizados, "ou ponderada pelo programa para moldar a saída desejada. Para qualquer entrada dada, os nós buscam produzir uma saída especificada, como a identificação correta de um rosto ou previsões precisas de uma interrupção. O treinamento é iniciado quando um nó falha em realizar esta tarefa:os pesos se ajustam automaticamente para dados novos até que a saída correta seja obtida.

Um recurso importante do aprendizado profundo é sua capacidade de capturar dados de alta dimensão, em vez de dados unidimensionais. Por exemplo, enquanto o software de aprendizado não profundo pode considerar a temperatura de um plasma em um único ponto no tempo, o FRNN considera perfis de desenvolvimento de temperatura no tempo e no espaço. "A capacidade dos métodos de aprendizado profundo de aprender com esses dados complexos os torna um candidato ideal para a tarefa de previsão de interrupções, "disse o colaborador Julian Kates-Harbeck, um estudante de graduação em física na Universidade de Harvard e um bolsista graduado do DOE-Office of Science em Ciência da Computação que foi o autor principal do artigo da Nature e arquiteto-chefe do código.

O treinamento e a execução de redes neurais dependem de unidades de processamento gráfico (GPUs), chips de computador projetados inicialmente para renderizar imagens 3-D. Esses chips são ideais para executar aplicativos de aprendizagem profunda e são amplamente usados ​​por empresas para produzir recursos de IA, como compreensão da linguagem falada e observação das condições da estrada por carros autônomos.

Kates-Harbeck treinou o código FRNN em mais de dois terabytes (1012) de dados coletados do JET e DIII-D. Depois de executar o software no cluster Tiger de GPUs modernas da Universidade de Princeton, a equipe colocou no Titan, um supercomputador no Oak Ridge Leadership Computing Facility, um DOE Office of Science User Facility, e outras máquinas de alto desempenho.

Uma tarefa exigente

Distribuir a rede em muitos computadores era uma tarefa exigente. "O treinamento de redes neurais profundas é um problema de computação intensiva que requer o envolvimento de clusters de computação de alto desempenho, "disse Alexey Svyatkovskiy, um co-autor do artigo da Nature que ajudou a converter os algoritmos em um código de produção e agora está na Microsoft. "Colocamos uma cópia de toda a nossa rede neural em muitos processadores para alcançar um processamento paralelo altamente eficiente, " ele disse.

O software demonstrou ainda mais sua capacidade de prever interrupções reais dentro do período de 30 milissegundos que o ITER exigirá, enquanto reduz o número de alarmes falsos. O código agora está se aproximando do requisito ITER de 95 por cento de previsões corretas com menos de 3 por cento de alarmes falsos. Embora os pesquisadores digam que apenas a operação experimental ao vivo pode demonstrar os méritos de qualquer método preditivo, seu artigo observa que os grandes bancos de dados de arquivos usados ​​nas previsões, "cobrem uma ampla gama de cenários operacionais e, portanto, fornecem evidências significativas quanto aos pontos fortes relativos dos métodos considerados neste documento."

Da previsão ao controle

O próximo passo será passar da previsão ao controle de interrupções. "Em vez de prever interrupções no último momento e, em seguida, mitigá-las, idealmente usaríamos futuros modelos de aprendizado profundo para direcionar suavemente o plasma para longe de regiões de instabilidade com o objetivo de evitar a maioria das interrupções em primeiro lugar, "Kates-Harbeck disse. Destacando esta próxima etapa está Michael Zarnstorff, que recentemente passou de vice-diretor de pesquisa do PPPL a diretor de ciências do laboratório. "O controle será essencial para tokamaks pós-ITER - nos quais evitar a interrupção será um requisito essencial, "Zarnstorff observou.

O progresso de previsões precisas habilitadas com IA para o controle de plasma realista exigirá mais de uma disciplina. "Vamos combinar o aprendizado profundo com o básico, física de primeiro princípio em computadores de alto desempenho para enfocar mecanismos de controle realistas na queima de plasmas, "disse Tang." Por controle, significa saber quais 'botões girar' em um tokamak para alterar as condições e evitar interrupções. Isso está em nossa visão e é para onde estamos indo. "