Usando IA para acelerar e melhorar os aspectos computacionalmente mais intensivos da física do plasma na fusão
O código de aprendizado de máquina que detecta e elimina instabilidades do plasma foi implantado nos dois tokamaks mostrados acima:DIII-D e KSTAR. Crédito:General Atomics e Instituto Coreano de Energia de Fusão A intrincada dança da fusão dos átomos e da liberação de energia fascina os cientistas há décadas. Agora, a engenhosidade humana e a inteligência artificial estão se unindo no Laboratório de Física de Plasma de Princeton (PPPL) do Departamento de Energia dos EUA (DOE) para resolver um dos problemas mais urgentes da humanidade:gerar energia limpa e confiável a partir da fusão do plasma.
Ao contrário do código de computador tradicional, o aprendizado de máquina – um tipo de software artificialmente inteligente – não é simplesmente uma lista de instruções. O aprendizado de máquina é um software que pode analisar dados, inferir relações entre recursos, aprender com esse novo conhecimento e se adaptar. Os investigadores do PPPL acreditam que esta capacidade de aprendizagem e adaptação pode melhorar o seu controlo sobre as reações de fusão de várias maneiras. Isto inclui o aperfeiçoamento do design dos recipientes que envolvem o plasma superaquecido, a otimização dos métodos de aquecimento e a manutenção do controle estável da reação por períodos cada vez mais longos.
A pesquisa em inteligência artificial do Laboratório já está produzindo resultados significativos. Em um novo artigo publicado na Nature Communications , Os pesquisadores do PPPL explicam como usaram o aprendizado de máquina para evitar perturbações magnéticas, ou interrupções, que desestabilizam o plasma de fusão.
"Os resultados são particularmente impressionantes porque fomos capazes de alcançá-los em dois tokamaks diferentes usando o mesmo código", disse SangKyeun Kim, físico pesquisador da equipe do PPPL, principal autor do artigo. Um tokamak é um dispositivo em forma de donut que utiliza campos magnéticos para reter um plasma.
"Existem instabilidades no plasma que podem levar a danos graves ao dispositivo de fusão. Não podemos tê-los num recipiente de fusão comercial. O nosso trabalho avança no campo e mostra que a inteligência artificial pode desempenhar um papel importante na gestão das reações de fusão no futuro. , evitando instabilidades e ao mesmo tempo permitindo que o plasma gere o máximo de energia de fusão possível", disse Egemen Kolemen, professor associado do departamento de engenharia mecânica e aeroespacial, nomeado em conjunto com o Centro Andlinger de Energia e Meio Ambiente e o PPPL.
Decisões importantes devem ser tomadas a cada milissegundo para controlar um plasma e manter a reação de fusão em andamento. O sistema de Kolemen pode tomar essas decisões muito mais rápido do que um ser humano e ajustar automaticamente as configurações do recipiente de fusão para que o plasma seja mantido adequadamente. O sistema pode prever interrupções, descobrir quais configurações alterar e então fazer essas alterações antes que as instabilidades ocorram.
Kolemen observa que os resultados também são impressionantes porque, em ambos os casos, o plasma estava em modo de alto confinamento. Também conhecido como modo H, isso ocorre quando um plasma confinado magneticamente é aquecido o suficiente para que o confinamento do plasma melhore repentina e significativamente e a turbulência na borda do plasma desapareça efetivamente. O modo H é o modo mais difícil de estabilizar, mas também o modo que será necessário para a geração de energia comercial.
O sistema foi implantado com sucesso em dois tokamaks, DIII-D e KSTAR, que alcançaram o modo H sem instabilidades. Esta é a primeira vez que os investigadores alcançam este feito num ambiente de reator que é relevante para o que será necessário para implantar a energia de fusão em escala comercial.
O PPPL tem um histórico significativo de uso de inteligência artificial para controlar instabilidades. O principal físico pesquisador do PPPL, William Tang, e sua equipe foram os primeiros a demonstrar a capacidade de transferir esse processo de um tokamak para outro em 2019.
“Nosso trabalho alcançou avanços usando inteligência artificial e aprendizado de máquina, juntamente com recursos de computação modernos e poderosos de alto desempenho para integrar grandes quantidades de dados em milésimos de segundo e desenvolver modelos para lidar com eventos físicos perturbadores muito antes de seu início”, disse Tang. "Você não pode combater efetivamente as interrupções em mais do que alguns milissegundos. Isso seria como começar a tratar um câncer fatal depois que ele já está muito avançado."
O trabalho foi detalhado em artigo publicado na Nature em 2019. Tang e sua equipe continuam trabalhando nesta área, com ênfase na eliminação de interrupções em tempo real em tokamaks usando modelos de aprendizado de máquina treinados em dados observacionais devidamente verificados e validados.
Uma nova reviravolta no design do Stellarator
Os projetos de inteligência artificial do PPPL para fusão vão além dos tokamaks. O chefe de engenharia digital do PPPL, Michael Churchill, usa aprendizado de máquina para melhorar o projeto de outro tipo de reator de fusão, um stellarator. Se os tokamaks se parecem com donuts, os stellarators podem ser vistos como os crulladores do mundo da fusão com um design mais complexo e distorcido.
“Precisamos aproveitar muitos códigos diferentes ao validar o design de um stellarator.
Portanto, a questão é:"Quais são os melhores códigos para o design do Stellarator e as melhores maneiras de usá-los?", Disse Churchill. “É um equilíbrio entre o nível de detalhe dos cálculos e a rapidez com que eles produzem respostas”.
As simulações atuais para tokamaks e stellarators chegam perto da realidade, mas ainda não são gêmeas. "Sabemos que nossas simulações não são 100% fiéis ao mundo real. Muitas vezes, sabemos que existem deficiências. Achamos que captura muita da dinâmica que você veria em uma máquina de fusão, mas há um pouco que não fazemos."
Churchill disse que o ideal seria um gêmeo digital:um sistema com um ciclo de feedback entre modelos digitais simulados e dados do mundo real capturados em experimentos. “Em um gêmeo digital útil, esses dados físicos poderiam ser usados e aproveitados para atualizar o modelo digital, a fim de prever melhor como seria o desempenho futuro.”
Não é novidade que imitar a realidade requer muitos códigos sofisticados. O desafio é que quanto mais complicado o código, mais tempo normalmente leva para ser executado. Por exemplo, um código comumente usado chamado Código Girocinético Incluído no Ponto X (XGC) só pode ser executado em supercomputadores avançados e, mesmo assim, não é executado rapidamente.
"Você não executará o XGC toda vez que realizar um experimento de fusão, a menos que tenha um supercomputador exaescala dedicado. Provavelmente o executamos em 30 a 50 descargas de plasma [dos milhares que executamos]", disse Churchill.
É por isso que Churchill usa inteligência artificial para acelerar diferentes códigos e o próprio processo de otimização. “Gostaríamos muito de fazer cálculos de maior fidelidade, mas muito mais rápidos, para que possamos otimizar rapidamente”, disse ele.
Ilustração combinando as ideias de inteligência artificial e fusão. Crédito:Kyle Palmer / Departamento de Comunicações do PPPL
Codificação para otimizar o código
Da mesma forma, a equipe do físico pesquisador Stefano Munaretto está usando inteligência artificial para acelerar um código chamado HEAT, que foi originalmente desenvolvido pelo Laboratório Nacional Oak Ridge do DOE e pela Universidade do Tennessee-Knoxville para o tokamak NSTX-U do PPPL.
O HEAT está sendo atualizado para que a simulação de plasma seja 3D, correspondendo ao modelo 3D de design auxiliado por computador (CAD) do divertor tokamak. Localizado na base do vaso de fusão, o divertor extrai o calor e as cinzas geradas durante a reação. Um modelo de plasma 3D deve melhorar a compreensão de como diferentes configurações de plasma podem impactar os fluxos de calor ou os padrões de movimento do calor no tokamak. Compreender o movimento do calor para uma configuração de plasma específica pode fornecer insights sobre como o calor provavelmente viajará em uma descarga futura com um plasma semelhante.
Ao otimizar o HEAT, os pesquisadores esperam executar rapidamente o código complexo entre as injeções de plasma, usando informações sobre a última injeção para decidir a próxima.
“Isso nos permitiria prever os fluxos de calor que aparecerão no próximo disparo e potencialmente redefinir os parâmetros para o próximo disparo, para que o fluxo de calor não seja muito intenso para o divertor”, disse Munaretto. "Este trabalho também pode nos ajudar a projetar futuras usinas de fusão."
A física pesquisadora associada do PPPL, Doménica Corona Rivera, esteve profundamente envolvida no esforço para otimizar o HEAT. O segredo é restringir uma ampla gama de parâmetros de entrada a apenas quatro ou cinco, para que o código seja simplificado, mas altamente preciso. "Temos que perguntar:'Quais desses parâmetros são significativos e terão realmente impacto no calor?'", Disse Corona Rivera. Esses são os principais parâmetros usados para treinar o programa de aprendizado de máquina.
Com o apoio de Churchill e Munaretto, Corona Rivera já reduziu bastante o tempo necessário para executar o código para considerar o calor, mantendo os resultados cerca de 90% sincronizados com os da versão original do HEAT. “É instantâneo”, disse ela.
Encontrar as condições certas para um aquecimento ideal
Os pesquisadores também estão tentando encontrar as melhores condições para aquecer os íons no plasma, aperfeiçoando uma técnica conhecida como aquecimento por radiofrequência do ciclotron iônico (ICRF). Este tipo de aquecimento concentra-se no aquecimento das grandes partículas do plasma – os íons.
O plasma possui diferentes propriedades, como densidade, pressão, temperatura e intensidade do campo magnético. Essas propriedades mudam a forma como as ondas interagem com as partículas de plasma e determinam os caminhos das ondas e as áreas onde as ondas aquecerão o plasma. Quantificar esses efeitos é crucial para controlar o aquecimento por radiofrequência do plasma, para que os pesquisadores possam garantir que as ondas se movam de forma eficiente através do plasma para aquecê-lo nas áreas certas.
O problema é que os códigos padrão usados para simular as interações de plasma e ondas de rádio são muito complicados e executados muito lentamente para serem usados na tomada de decisões em tempo real.
“O aprendizado de máquina nos traz aqui um grande potencial para otimizar o código”, disse Álvaro Sánchez Villar, físico pesquisador associado do PPPL. "Basicamente, podemos controlar melhor o plasma porque podemos prever como o plasma irá evoluir e podemos corrigi-lo em tempo real."
O projeto se concentra em experimentar diferentes tipos de aprendizado de máquina para acelerar um código de física amplamente utilizado. Sánchez Villar e sua equipe mostraram múltiplas versões aceleradas do código para diferentes dispositivos de fusão e tipos de aquecimento. Os modelos podem encontrar respostas em microssegundos em vez de minutos, com impacto mínimo na precisão dos resultados. Sánchez Villar e sua equipe também conseguiram usar o aprendizado de máquina para eliminar cenários desafiadores com o código otimizado.
Sánchez Villar diz que a precisão do código, “maior robustez” e aceleração o tornam adequado para modelagem integrada, na qual muitos códigos físicos são usados em conjunto, e aplicações de controle em tempo real, que são cruciais para a pesquisa de fusão.
Aprimorando nossa compreensão da borda do plasma
A física pesquisadora principal do PPPL, Fatima Ebrahimi, é a pesquisadora principal de um projeto de quatro anos do programa Advanced Scientific Computing Research do DOE, parte do Office of Science, que usa dados experimentais de vários tokamaks, dados de simulação de plasma e inteligência artificial para estudar o comportamento da borda do plasma durante a fusão. A equipe espera que suas descobertas revelem as formas mais eficazes de confinar um plasma em um tokamak em escala comercial.
Embora o projeto tenha vários objetivos, o objetivo é claro do ponto de vista do aprendizado de máquina. “Queremos explorar como o aprendizado de máquina pode nos ajudar a aproveitar todos os nossos dados e simulações para que possamos preencher as lacunas tecnológicas e integrar um plasma de alto desempenho em um sistema viável de usina de fusão”, disse Ebrahimi.
Há uma riqueza de dados experimentais coletados de tokamaks em todo o mundo, enquanto os dispositivos operavam em um estado livre de instabilidades em grande escala na borda do plasma, conhecidos como modos localizados na borda (ELMs). Esses ELMs explosivos e momentâneos precisam ser evitados porque podem danificar os componentes internos de um tokamak, atrair impurezas das paredes do tokamak para o plasma e tornar a reação de fusão menos eficiente. A questão é como alcançar um estado livre de ELM em um tokamak em escala comercial, que será muito maior e funcionará muito mais quente do que os tokamaks experimentais atuais.
Ebrahimi e sua equipe combinarão os resultados experimentais com informações de simulações de plasma que já foram validadas com dados experimentais para criar um banco de dados híbrido. O banco de dados será então usado para treinar modelos de aprendizado de máquina sobre gerenciamento de plasma, que poderão então ser usados para atualizar a simulação.
“Há algumas idas e vindas entre o treinamento e a simulação”, explicou Ebrahimi.
Ao executar uma simulação de alta fidelidade do modelo de aprendizado de máquina em supercomputadores, os pesquisadores podem então formular hipóteses sobre cenários além daqueles cobertos pelos dados existentes. Isto poderia fornecer informações valiosas sobre as melhores maneiras de gerenciar a vantagem do plasma em escala comercial.