Ao aplicar métodos modernos de aprendizado de máquina e ciência de dados à física de plasma "extrema", os pesquisadores podem obter informações sobre o nosso universo e encontrar pistas sobre a criação de uma quantidade ilimitada de energia.

Em uma perspectiva recente publicada em Natureza , Cientistas do Lawrence Livermore National Laboratory (LLNL) e colaboradores internacionais descrevem os principais desafios e direções futuras no uso de aprendizado de máquina (ML) e outras técnicas baseadas em dados para entender melhor essas condições extremas que potencialmente abrem o caminho para a fusão nuclear como uma fonte de energia industrial, além de ajudar a melhorar nossa compreensão do universo.

O plasma extremo é descrito como a física da matéria em densidades extremas, temperaturas e pressões como as encontradas no interior de estrelas e planetas.

"Experimentos extremos de física de plasma historicamente tiveram uma taxa de dados muito baixa, mas as futuras instalações de laser planejadas terão uma taxa de disparo muito alta, com potencial para produzir grandes quantidades de dados, "disse a física do LLNL Gemma Anderson, um dos principais autores do artigo. "Isso, por sua vez, moverá o campo para o regime de big data e criará uma necessidade correspondente de alavancar métodos modernos de ciência de dados em uma extensão muito maior."

A mais nova geração de instalações de física extrema pode realizar experimentos várias vezes por segundo (ao contrário de quase diariamente) - mudando do controle baseado em humanos para o controle automático. Para aproveitar ao máximo as oportunidades emergentes, a equipe propôs um manual para usar ML na ciência de alta densidade de energia por meio de projetos de pesquisa, Treinamento, práticas recomendadas e suporte para diagnósticos sintéticos e análise de dados.

O estudo da física do plasma sob temperaturas extremas, densidades e intensidade do campo eletromagnético são importantes para entender a astrofísica, fusão nuclear e física fundamental. Esses sistemas são altamente não lineares e muito difíceis de entender teoricamente ou demonstrar experimentalmente.

Anderson e seus colegas sugeriram que os modelos de aprendizado de máquina e os métodos orientados por dados poderiam ser a resposta, remodelando a exploração desses sistemas extremos que se mostraram complexos demais para os pesquisadores humanos fazerem por conta própria. Interpretando os dados dos experimentos desses sistemas, como a National Ignition Facility, requer a compreensão simultânea de grandes quantidades de dados multimodais complexos de várias fontes diferentes. A imagem acima mostra um fluxo de trabalho potencial que integra totalmente métodos orientados a dados e de aprendizado de máquina para atingir esse objetivo. A otimização de sistemas de física extrema requer um ajuste fino de um grande número de parâmetros (muitas vezes altamente correlacionados). Os métodos de inteligência artificial provaram ser muito bem-sucedidos em descobrir correlações em grandes conjuntos de dados e podem ser cruciais para entender e otimizar sistemas que até agora eram difíceis de entender.

O artigo foi resultado de um workshop organizado por Anderson, seu colega LLNL Jim Gaffney e Peter Hatfield da Universidade de Oxford, realizada no Lorentz Centre, na Holanda, em janeiro de 2020. Um dos principais objetivos da reunião era escrever um white paper detalhando as conclusões da reunião:quais padrões a comunidade deveria adotar, o que o aprendizado de máquina pode fazer pelo campo e o que o futuro reserva.

Anderson disse que o documento será distribuído aos principais órgãos de financiamento e formuladores de políticas em conselhos de pesquisa e laboratórios nacionais.