תפקידה של Machine Learning באופטימיזציה של ביצועי Fusion Plasma

הבנה של Fusion Plasma

אנרגיה Fusion מבטיחה כוח ללא תשלום, נטול פחמן על ידי העתקת התהליכים שמניעים את השמש והכוכבים.הגרעין של כל כור היתוך הוא פלזמה - גז טעון מבחינה חשמלית, בדרך כלל מעל 100 מיליון מעלות צלזיוס. בטמפרטורות אלה, איזוטופים מימן להתגבר על ההנעה אלקטרוסטטית ההדדית שלהם ופתיחת כמויות עצומות של אנרגיה.

מכשירים מודרניים כגון tokamaks (למשל, ITER, JET, DIII-D) ו stellarators (למשל, Wendelstein 7-X) לייצר נתונים מסיביים מאלפי חיישנים מדידת שדות מגנטיים, צפיפות, טמפרטורה, קרינה, וניתוח חלקיקים של נתונים אלה הוא יותר ויותר לא מעשי למידה (ML) מספק דרך מודלים ניסיונית למנוע זיהוי ישיר, מודלים של שיטות פעולה, סימולציה, סימולציה יעילה יותר, שיבושים אופטיקה.

תפקידה של Machine Learning במחקר Fusion

אלגוריתמי למידת מכונות - החל מרשתות עצביות בפיקוח ללמידה עמוקה של חיזוק - הם כעת חלק בלתי נפרד ממחקר היתוך.הכוח העיקרי שלהם הוא בטיפול בנתונים עתיריים גבוהים, רועשים וזיהוי מערכות יחסים לא לינאריות ששולטות בהתנהגות פלזמה במקום להחליף מודלים לפיזיקה, ML משלימה אותם על ידי מתן תשואות מהירות וגממות גמישות יותר וגילוי התאמות אמפיריות שמשפרות סימולציות ראשונות של עקרונות.

תחזיות של תחזיות של פלסמה Instabilities

אחת התופעות המסוכנות ביותר בטוקמאקס היא השיבוש: אובדן פתאומי של הגבלת פלזמה שיכולה לשחרר אנרגיה תרמית מגנטית עצומה, רכיבים מזיקים לכורים.חיזוי הפרעות עם מספיק זמן מוביל (עשרות שניות) הוא קריטי.מודלים של ML המונעים על נתונים היסטוריים ממכשירים כמו JET ו- DIII-D השיגו חיזוי גבוה, תוך שימוש בטכניקות כגון רשתות חיזוי עצביות (D) לטווח קצר, לדוגמה, לאבחון של תרופות לאבחון אלקטרוני (D) להפרעות למידה).

השילוב של הפרעות בזמן אמת במערכות בקרה הוא אבן דרך עבור ITER, אשר ידרוש מערכות חזקות, הסתגלות מסוגלות לטפל בקנה מידה חסר תקדים ואנרגיה של פלזמה בוערת.

אופטימיזציה בזמן אמת

מעבר לחיזוי, למידת מכונה מאפשרת שליטה מתאימה, בזמן אמת של פרמטרים פלזמה. בקרים משוב מסורתי להסתמך על מודלים ליניאריים שעשויים להיכשל בתנאים לא-לינאריים ביותר. Reinforcement Learning (RL) מציעה אלטרנטיבה רבת עוצמה: סוכן לומד מדיניות שליטה על ידי אינטראקציה עם סביבת פלזמה מדומה או פלזמה מדומה, למקסם פונקציה מתגמלת כי מתפעל ביצועים, איכות, או היתוך כוח במרכז סטטיק (Devesic) אשר משמש שליטה יציבה יותר.

טכניקות למידה מכונות מפתח ב- Fusion

למידה על פרופיל שיקום

Accurate של שחזור פרופילים פלזמה (למשל, טמפרטורת אלקטרון, צפיפות יון, הפצה נוכחית) חיוני להבנת ביצועים.מודלים Supervised ML יכולים להסיק פרופילים אלה ממדכאות מוגבלת, לעתים קרובות מהר יותר מאשר שיטות סטיות מבוססות טומוגרפיה.לדוגמה, רשתות עצביות מאומן על נתונים סינתטיים מקוד שיווי המשקל מחוץ לקו יכול לספק הערכות בזמן אמת, האכלה לתוך שליטה עבור לולאות מתקדמות כמו תרחישים תחבורה פנימיים.

למידה בלתי מבוקרת ל-Anomaly Detection

גילוי אנומלי באמצעות אלגוריתמים או אלגוריתמים מקובצים מסייע לזהות מצבים פלזמה יוצאי דופן כי הפרעות טרום הדבקה או מעיד על ההידרדרות בציוד.על ידי למידה ייצוג דחוס של תנאי הפעלה רגילים, אלה סטיית דגל מודלים אלה שעשויות לסמן כישלון מתמשך.גישה זו הוחלפה בנתונים מ-KSTAR ו- ASDEX שדרג, חושף מבשרים עדינים עדינים לתופעות מבוזרות (MEL).

למידה עמוקה עבור Turbulence Modeling

הפרעות פלזמה מניעות תחבורה חום אטומית, צמצום המגבלות. First-principles gyrokinetic סימולציות הם יקרים מאוד חישובי. תחליפי למידה עמוקה יכול לחקות את הסימולציות האלה, ומאפשר סריקות פרמטרים מהירים אופטימיזציה של אסטרטגיות זעזוע-suppression. לדוגמה, autoencoder וריאציות convolutional שימש כדי לחזות את התצורה מצמצם של תצורה מקודמת, ממטמתיקים מופחתים של תצורה מגנטית.

אתגרים וכיוונים עתידיים

למרות ההתקדמות המשמעותית, שילוב ML לפעילות היתוך מציג כמה מכשולים.

איכות נתונים וזמינות

ניסויים Fusion מייצרים נתונים כי לעתים קרובות אינם איזון (disruptions הם נדירים), רועשים, ולא-stationary (השדרוגים של שינוי התנהגות) מודלים של ML מאומן על אחד tokamak עשוי לא להכלל באחר.עבור למידה וטכניקות הסתגלות דומיין נחקרים, אך חזקים על פני מכונות שונות ותרחישים נותר אתגר.

אמינות ואמון

דרישות רגולטוריות ובטיחות דורשות כי מודלים של ML להיות מפרשים. A "קופסא שחורה" חזה לא יכול להיות מהימן עבור שליטה בזמן אמת, במיוחד בסביבה מסוכנת כמו כור היתוך. החוקרים מפתחים שיטות AI אפשריות להסביר (למשל, SHAP, מנגנוני תשומת לב) כדי לזהות אילו תכונות קלט מניעות תחזיות, המאפשרות אימות נגד אינטואיציה של הפיזיקה.

זמן אמת-זמן

חלוקת מודלים של ML בלולאות בקרה בזמן אמת מטילה מגבלות חריפות מחמירות (sub-milliII ל- מילימטרים מעטים) דחיסה של מודל, קוונטיזציה, האצה חומרה (FPGAs, GPUs) הם חיוניים.הצעד הבא הוא להטמיע רשתות עצביות מאוישות לתוך מערכת בקרת פלזמה (PCS) של מתקנים מרכזיים כמו ITER, שבו אמינות וקביעת כפליות הם ראשיים.

שיתוף פעולה בין משמעת

יישום ML מוצלח דורש שותפות קרובה בין פיזיקאים של היתוך ומדענים נתונים.רופאים חייבים לרפא תכונות משמעותיות ולאמת תחזיות; מדעני נתונים חייבים לתכנן מודלים כי מכבדים מיזמים פיזיים. Cross-דיסציפלינה, כגון שער הנתונים של פיוז'ן ו- AI עבור סדרת קובצי Cookie, לטפח שיתוף פעולה זה. Open Dataets and Measuresss הם גם התקדמות מאיצה.

מסקנה

למידת מכונה אינה כלי היקפי יותר במחקר היתוך - היא הופכת מרכיב מרכזי של אופטימיזציה פלזמה.מנבא הפרעות עם דיוק גבוה כדי לאפשר שליטה אוטונומית של גיאוגרפיות מגנטיות מורכבות, שיטות ML הן ישירות מאיץ את ציר הזמן לקראת אנרגיה היתוך מעשי. כמו כוח חישובי גדל ועוד נתונים ממכשירים הבאים כגון ITER להיות זמין, סינרגיה בין למידה לבין מודלים קיצוניים המבוססים על ידי AI, אשר יכולים לפעול רק בתנאי מחקר יעיל יותר.

(ב) ב[[1924]], [[1924]]]], [[1924]]]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]], [[1924]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]] ו[[1924]]]]]]]], [[1924]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]] ב[[1924]], [[1924]]]]]], [[1924]], [[1924]]]], [[[[1924]]]]]]]], [[[[1924]]]] ב[[1924]]]]]] ב[[1924]]]]]] [[[[1924]]]]]], [[[[1924]]]]]]]] [[[[1924]]]]]]]] [[[[[[[[1924]]]]