Новости космоса и технологий. » Физика » Техника машинного обучения может улучшить выход энергии термоядерного синтеза

Техника машинного обучения может улучшить выход энергии термоядерного синтеза

Опубликовал: Admin, 13-10-2020, 01:01, Физика, 44, 0

Техника машинного обучения может улучшить выход энергии термоядерного синтеза

Методы машинного обучения, наиболее известные тем, что учат беспилотные автомобили останавливаться на красный свет, скоро могут помочь исследователям во всем мире улучшить контроль над самой сложной реакцией, известной науке: ядерным синтезом.

Реакции синтеза обычно составляют атомы водорода нагревается до образования газового облака, называемого плазмой, которое выделяет энергия когда частицы сталкиваются друг с другом и сливаются. Получение более точного контроля над этими реакциями может дать огромное количество экологически чистой энергии ядерных реакторов термоядерных электростанций будущего.

«Связь между машинным обучением и термоядерной энергией не очевидна», - сказал исследователь Sandia National Laboratories Эйдан Томпсон, главный исследователь трехлетней премии Министерства энергетики США в размере 22 миллиона долларов в год, чтобы установить эту самую связь. «Проще говоря, мы первыми использовали машинное обучение для улучшения моделирования материала стенок реактора при его взаимодействии с плазмой. В прошлом это выходило за рамки моделирования в атомном масштабе».

По его словам, ожидаемый результат должен предполагать процедурные или структурные изменения для повышения выработки ядерной энергии.

Сила машинного обучения в моделировании ядерного синтеза

Машинное обучение мощно, потому что оно использует математические и статистические средства для выяснения ситуации, а не для анализа каждой части данных в желаемой категории. Например, достаточно лишь небольшого количества фотографий собаки, чтобы научить систему распознавания понятию «собачья собака» - другими словами, «это собака» - а не сканировать каждую существующую фотографию собаки.

Подход Сандии к ядерный синтез то же самое, но посложнее.

«Физическое наблюдение за тем, что происходит внутри стенок реактора, - нетривиальная проблема, поскольку эти структуры подвергаются внутренней бомбардировке водородом, гелием, дейтерием и тритием как частями перегретой плазмы», - сказал Томпсон.

Он описал компоненты циркулирующей плазмы, поражающие и изменяющие состав удерживающих стенок, а также тяжелые атомы, отрывающиеся от пораженных стенок и изменяющие плазму. Реакции происходят за наносекунды при таких высоких температурах, как солнце. Попытка изменить компоненты методом проб и ошибок для улучшения результатов чрезвычайно трудоемка.

С другой стороны, алгоритмы машинного обучения используют данные, генерируемые компьютером, без прямых измерений в ходе экспериментов, и могут дать информацию, которая в конечном итоге может быть использована, чтобы сделать взаимодействие плазмы с материалом стенок защитной оболочки менее разрушительным и, таким образом, улучшить общий выход энергии термоядерных реакторов.

«Другого способа получить эту информацию нет», - сказал Томпсон.

Малое количество атомов предсказывает энергию многих

Команда Томпсона ожидает, что, используя большие наборы данных квантово-механических расчетов в экстремальных условиях, как данные обучения , они могут построить машинное обучение модель предсказывает энергию любой конфигурации атомов.

Эта модель, называемая межатомным потенциалом машинного обучения, или MLIAP, может быть вставлена ​​в огромные коды классической молекулярной динамики, такие как отмеченный наградами LAMMPS от Sandia или программное обеспечение для крупномасштабного атомно-молекулярного массивно-параллельного симулятора. Таким образом, опрашивая только относительно небольшое количество атомов, они могут повысить точность квантовой механики до масштаба миллионов атомов, необходимых для моделирования поведения материалов с термоядерной энергией.

«Так почему же то, что мы делаем, машинное обучение, а не просто учет большого количества данных?» - риторически спрашивает Томпсон. «Короткий ответ: мы генерируем уравнения из бесконечного набора возможных переменных для построения моделей, основанных на физике, но содержащих сотни или тысячи параметров, которые удерживают нас в пределах досягаемости нашей цели».

По словам Томпсона, одна загвоздка заключается в том, что точность модели MLIAP зависит от перекрытия обучающих данных и реальных атомарных сред, с которыми сталкивается приложение.

Эти среды могут быть различными, требующими новых обучающих данных и изменения модель машинного обучения . Распознавание и корректировка совпадений - часть работы следующих нескольких лет.

«Наша модель сначала будет использоваться для интерпретации небольших экспериментов», - сказал Томпсон. «И наоборот, эти экспериментальные данные будут использоваться для проверки нашей модели, которая затем может быть использована для прогнозирования того, что происходит в полномасштабном термоядерном реакторе».

Цель для предоставления исследователям термоядерного синтеза доступа к Sandia машинное обучение модели для сборки лучше слияние реакторов примерно на три года, сказал Томпсон.


Источник


У данной публикации еще нет комментариев. Хотите начать обсуждение?

Написать комментарий
Имя:*
E-Mail:
Введите код: *
Кликните на изображение чтобы обновить код, если он неразборчив


Поиск по сайту
Полезные ссылки
Оцените работу сайта

TEHNONEWS

Новости космоса технологий нанотехнологий физики и химии