Técnicas de aprendizado de máquina, mais conhecido por ensinar carros autônomos a parar no sinal vermelho, pode em breve ajudar pesquisadores ao redor do mundo a melhorar seu controle sobre a reação mais complicada conhecida pela ciência:a fusão nuclear.

As reações de fusão são tipicamente átomos de hidrogênio aquecidos para formar uma nuvem gasosa chamada plasma, que libera energia conforme as partículas se chocam e se fundem. Ter essas reações sob melhor controle poderia criar enormes quantidades de energia ambientalmente limpa a partir de reatores nucleares em usinas de fusão do futuro.

"A conexão entre aprendizado de máquina e energia de fusão não é óbvia, "disse o pesquisador do Sandia National Laboratories, Aidan Thompson, o principal investigador de um prêmio de três anos do Departamento de Energia do Escritório de Ciências de US $ 2,2 milhões anuais para fazer essa mesma conexão. "Simplificando, fomos os pioneiros no uso do aprendizado de máquina para melhorar as simulações do material da parede do reator conforme ele interage com o plasma. Isso está além do escopo das simulações em escala atômica do passado. "

O resultado esperado deve sugerir modificações processuais ou estruturais para melhorar a produção de energia nuclear, ele disse.

Poder do aprendizado de máquina na modelagem de fusão nuclear

O aprendizado de máquina é poderoso porque usa meios matemáticos e estatísticos para descobrir uma situação, em vez de analisar todos os dados na categoria desejada. Por exemplo, apenas um pequeno número de fotos de cães é necessário para ensinar a um sistema de reconhecimento o conceito de "cachorrinho" - em outras palavras, "isto é um cachorro" - em vez de escanear todas as fotos de cachorro existentes.

A abordagem de aprendizado de máquina da Sandia para a fusão nuclear é a mesma, mas mais complicado.

"Não é um problema trivial observar fisicamente o que está acontecendo dentro das paredes de um reator enquanto essas estruturas são bombardeadas internamente com hidrogênio, hélio, deutério e trítio como partes de um plasma superaquecido, "disse Thompson.

Ele descreveu os componentes do plasma circulando atingindo e alterando a composição das paredes de retenção e átomos pesados ​​deslocando-se das paredes atingidas e alterando o plasma. As reações ocorrem em nanossegundos em temperaturas tão altas quanto o sol. Tentar modificar componentes usando tentativa e erro para melhorar os resultados é extremamente trabalhoso.

Algoritmos de aprendizado de máquina, por outro lado, usar dados gerados por computador sem medições diretas de experimentos e pode produzir informações que eventualmente poderiam ser usadas para tornar as interações do plasma com o material da parede de contenção menos danoso e, assim, melhorar a produção geral de energia dos reatores de fusão.

"Não há outra maneira de obter essas informações, "disse Thompson.

Pequeno número de átomos prediz a energia de muitos

A equipe de Thompson espera que, ao usar grandes conjuntos de dados de cálculos da mecânica quântica sob condições extremas, como dados de treinamento, eles podem construir um modelo de aprendizado de máquina que prevê a energia de qualquer configuração de átomos.

Este modelo, chamado de potencial interatômico de aprendizado de máquina, ou MLIAP, pode ser inserido em enormes códigos clássicos de dinâmica molecular, como o premiado LAMMPS de Sandia, ou Simulador Atômico / Molecular Massivamente Paralelo em Grande Escala, Programas. Desta maneira, interrogando apenas um número relativamente pequeno de átomos, eles podem estender a precisão da mecânica quântica à escala de milhões de átomos necessários para simular o comportamento dos materiais da energia de fusão.

"Então, por que estamos fazendo aprendizado de máquina e não apenas registrando muitos dados?" pergunta Thompson retoricamente. "A resposta curta é, geramos equações a partir de um conjunto infinito de variáveis ​​possíveis para construir modelos baseados na física, mas que contêm centenas ou milhares de parâmetros que nos mantêm dentro do alcance de nosso alvo. "

Um problema é que a precisão do modelo MLIAP depende da sobreposição entre os dados de treinamento e os ambientes atômicos reais encontrados pelo aplicativo, disse Thompson.

Esses ambientes podem ser vários, exigindo novos dados de treinamento e alteração do modelo de aprendizado de máquina. Reconhecer e ajustar para sobreposições faz parte do trabalho dos próximos anos.

"Nosso modelo a princípio será usado para interpretar pequenos experimentos, "Disse Thompson." Por outro lado, que os dados experimentais serão usados ​​para validar nosso modelo, que pode então ser usado para fazer previsões sobre o que está acontecendo em um reator de fusão em grande escala. "

A meta de dar aos pesquisadores de fusão acesso aos modelos de aprendizado de máquina Sandia para construir reatores de fusão melhores é de aproximadamente três anos, disse Thompson.