A fizikusok már az 1940-es évek óta próbálkoznak, de hatékony magfúziós reakciót még senki sem tudott létrehozni. Eközben a mesterséges intelligencia és a gépi tanulás számos iparágban és alkalmazásban bebizonyította, hogy képes az adatokban olyan finom mintákat felismerni, amelyeket az ember nem. Felmerülhet a kérdés, hogy segíthetnek-e a neurális hálók és az őket működtető GPU-k a magfúzióban? A nagy kihívás az lenne, hogy felgyorsítsuk a forró plazmák instabilitásának megfékezésére irányuló világméretű törekvéseket, és végül fenntartható és szénmentes energiaforrást biztosítsunk.
Diogo Ferreira, a portugáliai Lisszaboni Egyetem Instituto Superior Técnico informatikai rendszerekkel foglalkozó professzora nemrégiben az Egyesült Királyságban a Joint European Torus (JET) kutatóközpontban dolgozó kollégáival együttműködve készített egy tanulmányt, amely részletesen bemutatta az AI, a gépi tanulás és a mélytanulási modellek három különböző felhasználási lehetőségét a fúziós kutatásban. Ferreira a JET-reaktorhoz csatlakoztatott 48 érzékelő, úgynevezett bolométerek diagnosztikai adatainak felhasználásával képezte ki modelljeit, amelyek teljesítmény- és sugárzási adatokat gyűjtenek.
Az egyik modell a szuperforró plazmában bekövetkező zavarokat jelzi előre. Attól függően, hogyan képezték ki a modellt, a modell vagy meg tudja jósolni a zavar valószínűségét – ami azt eredményezheti, hogy a plazma kiszabadul a bezártságból, megrázza a berendezést, drasztikusan csökkenti a plazma hőmérsékletét és véget vet a reakciónak -, vagy meg tudja becsülni azt az időt, amikor a zavar bekövetkezik.
Egy második modell a plazmában lévő anomáliákat észleli. A modell csak olyan reakciókra képzett, ahol nem történtek zavarok, és képes reprodukálni ezeket a „jó” kísérleteket. Ha az adatok olyan kísérletből származnak, amely megszakítással végződött, a modell képes azonosítani, hogy az adatok mikor és hogyan térnek el a sikeres reakció adataitól. A tudósok ezt a folyamatot arra használhatják, hogy jobban megértsék, mi vezet végül a megszakításokhoz, és végül olyan reakciókat futtassanak, amelyekben a megszakítások kevésbé valószínűek.
Egy másik alkalmazás a plazmasugárzási minták vizuális ábrázolására vonatkozik. A nyers, közvetlen számítások elvégzése egy-egy reakció esetében 20 percet is igénybe vehet, ezzel szemben Ferreira kutatócsoportjának egy másik modellje másodpercek alatt vagy még rövidebb idő alatt is képes hasonló képeket készíteni. Ez olyan gyors, hogy egy nap akár valós időben is elvégezhető lenne egy kísérlet során.
A Washingtoni Egyetem kutatói, köztük Kyle Morgan és Chris Hansen, nemrég publikált tanulmányukban részletesen ismertettek egy olyan módszert, amely gépi tanulást használ a plazma viselkedésének előrejelzésére. Modelljük, amely egy regressziónak nevezett statisztikai technikát használ, lényegében kidobja azokat a forgatókönyveket, amelyek értelmetlen eredményekhez vezetnek, így kevesebb adatot, kevesebb számítási teljesítményt és kevesebb időt használ. Hansen szerint bár a tanulmányban szereplő modell még nem működik elég gyorsan ahhoz, hogy egy kísérlet során használni lehessen, úgy gondolja, hogy előbb-utóbb képes lesz rá. A kutatók nemrég egy másik tanulmányt is közzétettek, amelyben egyetlen GPU-t használtak egy olyan fúziós kísérlet irányítására, amelyhez korábban több számítógépre volt szükség. Hansen szerint egy ilyen nagy teljesítményű rendszerrel előbb-utóbb elég gyorsan lehetne futtatni a modellt ahhoz, hogy az hasznos legyen egy kísérlet során.
Más módszereket a kísérlet előtt vagy után lehet használni. Stefano Markidis, a stockholmi KTH Királyi Technológiai Intézet informatika docense és kollégája, Xavier Aguilar egy olyan mélytanulási modellt hozott létre, amely megoldja a plazmára vonatkozó információk meghatározásának egyik számításigényesebb lépését, az elektromos mező kiszámítását. A módszer gyorsabb, és bizonyos esetekben pontosabb volt, mint a hagyományos, bonyolult matematikai egyenleteket tartalmazó módszer.
A mesterséges intelligencia és a gépi tanulás ugyanakkor nem mentes a hátrányoktól a magfúziós rendszerekben. A gépi tanulási algoritmusok, különösen a mélytanulási modellek fekete dobozok, tehát nem mindig lehet tudni, hogy egy modell hogyan jut eredményre. De azáltal, hogy a kutatók ezekkel az algoritmusokkal dolgoznak, a modellek látásmódjának darabkáit is megismerhetik, és többet tudhatnak meg a plazma és a fúzió fizikájáról.
(fotó: pexels – Rahul Pandit)
