Maskininlärning underlättar “turbulensspårning” i fusionsreaktorer | MIT Nyheter

Fusion, som lovar praktiskt taget obegränsad, kolfri energi genom att använda samma processer som driver solen, är kärnan i en världsomspännande forskningssatsning som kan bidra till att mildra klimatförändringarna.

Ett tvärvetenskapligt team av forskare kommer nu med verktyg och insikter från maskininlärning för att underlätta detta arbete. Forskare från MIT och andra håll har använt datorseende modeller för att identifiera och spåra turbulenta strukturer som uppstår under de förhållanden som behövs för att underlätta fusionsreaktioner.

Att övervaka bildningen och rörelserna av dessa strukturer, kallade filament eller “blobbar”, är viktigt för att förstå värme- och partikelflödena som kommer ut från det reagerande bränslet, vilket i slutändan avgör de tekniska kraven för reaktorväggarna för att möta dessa flöden. Men forskare studerar vanligtvis blobbar med hjälp av medelvärdestekniker, som byter ut detaljer om enskilda strukturer till förmån för aggregerad statistik. Individuell blobinformation måste spåras genom att markera dem manuellt i videodata.

Forskarna byggde en syntetisk videodatauppsättning av plasmaturbulens för att göra denna process mer effektiv och effektiv. De använde den för att träna fyra datorseendemodeller, som var och en identifierar och spårar blobbar. De tränade modellerna att lokalisera blobbar på samma sätt som människor skulle.

När forskarna testade de tränade modellerna med riktiga videoklipp kunde modellerna identifiera blobbar med hög noggrannhet – mer än 80 procent i vissa fall. Modellerna kunde också effektivt uppskatta storleken på blobbar och hastigheterna med vilka de rörde sig.

Eftersom miljontals videorutor fångas under bara ett fusionsexperiment, kan användningen av maskininlärningsmodeller för att spåra blobbar ge forskarna mycket mer detaljerad information.

“Förut kunde vi få en makroskopisk bild av vad dessa strukturer gör i genomsnitt. Nu har vi ett mikroskop och beräkningskraften för att analysera en händelse i taget. Om vi ​​tar ett steg tillbaka, vad detta avslöjar är kraften som är tillgänglig från dessa maskininlärningstekniker och sätt att använda dessa beräkningsresurser för att göra framsteg, säger Theodore Golfinopoulos, forskare vid MIT Plasma Science and Fusion Center och co. -författare till ett dokument som beskriver dessa tillvägagångssätt.

Hans medförfattare inkluderar huvudförfattaren Woonghee “Harry” Han, en doktorand i fysik; senior författare Iddo Drori, gästprofessor i datavetenskap och artificiell intelligens Laboratory (CSAIL), docent vid Boston University och adjungerad vid Columbia University; samt andra från MIT Plasma Science and Fusion Center, MIT Department of Civil and Environmental Engineering och Swiss Federal Institute of Technology i Lausanne i Schweiz. Forskningen visas idag i Naturvetenskapliga rapporter.

Värmer upp saker

I mer än 70 år har forskare försökt använda kontrollerade termonukleära fusionsreaktioner för att utveckla en energikälla. För att uppnå de förutsättningar som krävs för en fusionsreaktion måste bränslet värmas till temperaturer över 100 miljoner grader Celsius. (Solens kärna är cirka 15 miljoner grader Celsius.)

En vanlig metod för att innehålla detta superheta bränsle, som kallas plasma, är att använda en tokamak. Dessa enheter använder extremt kraftfulla magnetfält för att hålla plasman på plats och kontrollera interaktionen mellan avgasvärmen från plasman och reaktorväggarna.

Däremot uppträder blobbar som filament som faller ut ur plasman i själva kanten, mellan plasman och reaktorväggarna. Dessa slumpmässiga, turbulenta strukturer påverkar hur energi flödar mellan plasman och reaktorn.

“Att veta vad klumparna gör begränsar starkt den tekniska prestanda som ditt tokamak-kraftverk behöver vid kanten,” tillägger Golfinopoulos.

Forskare använder en unik bildteknik för att fånga video av plasmans turbulenta kant under experiment. En experimentkampanj kan pågå i månader; En typisk dag kommer att producera cirka 30 sekunders data, vilket motsvarar ungefär 60 miljoner videorutor, med tusentals blobbar som dyker upp varje sekund. Detta gör det omöjligt att spåra alla blobbar manuellt, så forskare förlitar sig på genomsnittliga provtagningstekniker som bara ger breda egenskaper för blobstorlek, hastighet och frekvens.

“Å andra sidan ger maskininlärning en lösning på detta genom att spåra klump för klump för varje bildruta, inte bara genomsnittliga kvantiteter. Detta ger oss mycket mer kunskap om vad som händer vid plasmagränsen, säger Han.

Han och hans medförfattare tog fyra väletablerade datorseendemodeller, som vanligtvis används för applikationer som autonom körning, och tränade dem att ta itu med detta problem.

Simulerar blobbar

För att träna dessa modeller skapade de ett stort dataset av syntetiska videoklipp som fångade klumparnas slumpmässiga och oförutsägbara natur.

“Ibland ändrar de riktning eller hastighet, ibland smälter flera klumpar samman, eller så delar de isär. Den här typen av händelser övervägdes inte tidigare med traditionella tillvägagångssätt, men vi kunde fritt simulera dessa beteenden i syntetiska data, säger Han.

Genom att skapa syntetiska data kunde de också märka varje blob, vilket gjorde träningsprocessen mer effektiv, tillägger Drori.

Med hjälp av dessa syntetiska data tränade de modellerna att rita gränser runt blobbar, och lärde dem att nära efterlikna vad en mänsklig vetenskapsman skulle rita.

Sedan testade de modellerna med riktiga videodata från experiment. Först mätte de hur nära gränserna modellerna ritade överensstämde med faktiska klumpkonturer.

Men de ville också se om modellerna förutspådde föremål som människor skulle identifiera. De bad tre mänskliga experter att peka ut centrum för blobbar i videoramar och kontrollerade om modellerna förutspådde blobbar på samma platser.

Modellerna kunde rita exakta klumpgränser, överlappande med ljusstyrkekonturer som anses vara sanna, ungefär 80 procent av tiden. Deras utvärderingar liknade de mänskliga experterna och förutspådde framgångsrikt den teoridefinierade regimen för klumpen, vilket överensstämmer med resultaten från en traditionell metod.

Nu när de har visat framgången med att använda syntetiska data och datorseende modeller för att spåra blobbar, planerar forskarna att tillämpa dessa tekniker på andra problem inom fusionsforskning, som att uppskatta partikeltransport vid gränsen till ett plasma, säger Han.

De gjorde också datamängden och modellerna offentligt tillgängliga, och ser fram emot att se hur andra forskargrupper använder dessa verktyg för att studera dynamiken i blobbar, säger Drori.

“Dessförinnan fanns det ett hinder för inträde att det mestadels var de enda som arbetade med det här problemet var plasmafysiker, som hade datamängderna och använde deras metoder. Det finns en enorm maskininlärnings- och datorvisionsgemenskap. Ett mål med detta arbete är att uppmuntra deltagande i fusionsforskning från det bredare maskinlärande samhället mot det bredare målet att hjälpa till att lösa det kritiska problemet med klimatförändringar”, tillägger han.

Denna forskning stöds delvis av US Department of Energy och Swiss National Science Foundation.

.

Leave a Comment

Your email address will not be published. Required fields are marked *