Aprendizado de máquina (ML), uma forma de inteligência artificial que reconhece rostos, entende a linguagem e navega em carros autônomos, pode ajudar a trazer para a Terra a energia de fusão limpa que ilumina o sol e as estrelas. Pesquisadores do Laboratório de Física de Plasma de Princeton (PPPL) do Departamento de Energia dos EUA (DOE) estão usando ML para criar um modelo para controle rápido do plasma - o estado da matéria composto de elétrons livres e núcleos atômicos, ou íons - que alimentam as reações de fusão.

O sol e a maioria das estrelas são bolas gigantes de plasma que sofrem constantes reações de fusão. Aqui na Terra, os cientistas devem aquecer e controlar o plasma para fazer com que as partículas se fundam e liberem sua energia. A pesquisa do PPPL mostra que o ML pode facilitar esse controle.

Redes neurais

Pesquisadores liderados pelo físico do PPPL Dan Boyer treinaram redes neurais - o núcleo do software de ML - em dados produzidos na primeira campanha operacional do National Spherical Torus Experiment-Upgrade (NSTX-U), a principal instalação de fusão, ou tokamak, no PPPL. O modelo treinado reproduz com precisão as previsões do comportamento das partículas energéticas produzidas pela poderosa injeção de feixe neutro (NBI) que é usado para alimentar plasmas NSTX-U e aquecê-los a um milhão de graus, temperaturas relevantes para a fusão.

Essas previsões são normalmente geradas por um código de computador complexo chamado NUBEAM, que incorpora informações sobre o impacto do feixe no plasma. Esses cálculos complexos devem ser feitos centenas de vezes por segundo para analisar o comportamento do plasma durante um experimento. Mas cada cálculo pode levar vários minutos para ser executado, disponibilizando os resultados aos físicos somente após a conclusão de um experimento que normalmente dura alguns segundos.

O novo software ML reduz o tempo necessário para prever com precisão o comportamento das partículas energéticas para menos de 150 microssegundos, permitindo que os cálculos sejam feitos online durante o experimento.

A aplicação inicial do modelo demonstrou uma técnica para estimar características do comportamento do plasma não medidas diretamente. Esta técnica combina previsões de ML com as medições limitadas das condições de plasma disponíveis em tempo real. Os resultados combinados ajudarão o sistema de controle de plasma em tempo real a tomar decisões mais informadas sobre como ajustar a injeção de feixe para otimizar o desempenho e manter a estabilidade do plasma - uma qualidade crítica para reações de fusão.

Avaliações rápidas

As avaliações rápidas também ajudarão os operadores a fazer ajustes mais bem informados entre os experimentos executados a cada 15-20 minutos durante as operações. "Os recursos de modelagem acelerada podem mostrar aos operadores como ajustar as configurações do NBI para melhorar o próximo experimento, "disse Boyer, autor principal de um artigo na Fusão Nuclear que relata o novo modelo.

Boyer, trabalhando com o físico do PPPL Stan Kaye, gerou um banco de dados de cálculos NUBEAM para uma gama de condições de plasma semelhantes às alcançadas em experimentos durante a execução inicial do NSTX-U. Os pesquisadores usaram o banco de dados para treinar uma rede neural para prever os efeitos de feixes neutros no plasma, como aquecimento e perfis de corrente. O engenheiro de software Keith Erickson então implementou um software para avaliar o modelo em computadores usados ​​para controlar ativamente o experimento para testar o tempo de cálculo.

O novo trabalho incluirá o desenvolvimento de modelos de rede neural adaptados às condições planejadas de futuras campanhas NSTX-U e outras instalações de fusão. Além disso, os pesquisadores planejam expandir a abordagem de modelagem atual para permitir previsões aceleradas de outros fenômenos de plasma de fusão.