Aprendizado de máquina, uma técnica usada no software de inteligência artificial (IA) por trás de carros autônomos e assistentes digitais, agora permite que os cientistas enfrentem os principais desafios para coletar na Terra a energia de fusão que alimenta o sol e as estrelas. A técnica recentemente habilitou o físico Dan Boyer do Laboratório de Física de Plasma de Princeton (DOE) do Departamento de Energia dos EUA (DOE) a desenvolver previsões rápidas e precisas para o controle avançado de experimentos no National Spherical Torus Experiment-Upgrade (NSTX-U) - o carro-chefe instalação de fusão em PPPL que está atualmente em reparo.

Essas previsões de IA podem melhorar a capacidade dos cientistas do NSTX-U de otimizar os componentes dos experimentos que aquecem e moldam o plasma magneticamente confinado que alimenta os experimentos de fusão. Ao otimizar o aquecimento e a modelagem do plasma, os cientistas serão capazes de estudar de forma mais eficaz os principais aspectos do desenvolvimento de plasmas em combustão - em grande parte reações de fusão de autoaquecimento - que serão críticos para o ITER, a experiência internacional em construção na França, e futuros reatores de fusão.

Táticas de aprendizado de máquina

"Este é um passo em direção ao que devemos fazer para otimizar os atuadores, "disse Boyer, autor de um artigo em Fusão nuclear que descreve as táticas de aprendizado de máquina. "O aprendizado de máquina pode transformar dados históricos em um modelo simples que podemos avaliar com rapidez suficiente para tomar decisões na sala de controle ou mesmo em tempo real durante um experimento."

As reações de fusão combinam elementos leves na forma de plasma - o quente, estado carregado de matéria composta de elétrons livres e núcleos atômicos que constituem 99% do universo visível - para gerar grandes quantidades de energia. A reprodução da energia de fusão na Terra criaria um suprimento virtualmente inesgotável de energia limpa e segura para gerar eletricidade.

Boyer e co-autor Jason Chadwick, um estudante de graduação na Carnegie Mellon University e um participante do programa de Estágio de Laboratório de Graduação em Ciências (SULI) no PPPL no verão passado, testou previsões de aprendizado de máquina usando 10 anos de dados para NSTX, o precursor do NSTX-U, e as 10 semanas de operação do NSTX-U. Os dois tokamaks esféricos são mais parecidos com maçãs do que com a forma de donut de tokamaks convencionais mais volumosos e amplamente usados. e eles criam campos magnéticos econômicos que confinam o plasma.

Os testes de aprendizado de máquina previram corretamente a distribuição de pressão e densidade dos elétrons em plasmas de fusão, dois parâmetros críticos, mas difíceis de prever. "A pressão de elétrons e a distribuição de densidade dentro do plasma são fundamentais para entender o comportamento dos plasmas de fusão, "Boyer disse." Precisamos de modelos desses fatores para prever o impacto da mudança de aquecimento e modelagem no desempenho e estabilidade dos experimentos. "

"Embora existam modelos baseados na física para prever a pressão e a densidade do elétron, " ele disse, "eles não são apropriados para a tomada de decisões em tempo real. Eles demoram muito para serem calculados e não são tão precisos quanto precisamos que sejam."

O modelo aborda ambos os problemas

O modelo de aprendizado de máquina aborda ambos os problemas. "Aprendeu a fazer previsões a partir de milhares de perfis observados nos tokamaks PPPL e fez associações entre combinações de entradas e saídas de dados reais, "Boyer disse. Uma vez treinado, o modelo leva menos de um milésimo de segundo para ser avaliado. A velocidade do modelo resultante pode torná-lo útil para muitos aplicativos em tempo real, ele disse.

A abordagem tem limitações. "Uma vez que o modelo é treinado em dados observados historicamente, não pode fazer previsões sobre novos pontos operacionais com alta precisão, "Boyer disse. Ele planeja lidar com essa limitação adicionando os resultados das previsões do modelo com base na física aos dados de treinamento e desenvolvendo técnicas de adaptação do modelo conforme novos dados se tornem disponíveis.