Apprentissage automatique, qui permet aux chercheurs de déterminer si deux processus sont causalement liés sans révéler comment, pourrait aider à stabiliser le plasma dans les dispositifs de fusion en forme de beignet appelés tokamaks. Un tel apprentissage peut faciliter l'évitement des perturbations, des événements anormaux dans les plasmas de tokamak qui peuvent entraîner une perte très rapide des énergies thermique et magnétique stockées et menacer l'intégrité de la machine. Un article de l'étudiant diplômé Matthew Parsons publié en juin dans la revue Physique des plasmas et fusion contrôlée décrit l'application de l'apprentissage pour éviter les perturbations, qui sera crucial pour assurer la pérennité des futurs grands tokamaks.

Parsons a commencé des recherches sur ce sujet au Princeton Plasma Physics Laboratory (PPPL) du Département de l'énergie des États-Unis (DOE) en tant que membre du programme de stages de premier cycle en sciences (SULI) du DOE. Il a collaboré avec les scientifiques du PPPL William Tang et Eliot Feibush en tant que stagiaire SULI au cours des étés 2014 et 2015, puis en tant qu'intérimaire PPPL en 2016. « La communauté de la physique des plasmas est très intéressée à identifier plus de classificateurs pour étudier les instabilités et les perturbations, " a déclaré Feibush. " Matt est idéalement qualifié pour travailler sur ce sujet clé. "

Parsons a développé de nouvelles façons d'appliquer ses recherches PPPL en tant que boursier Fulbright à ITER, le tokamak international en construction en France, de septembre 2016 à avril 2017 et a basé l'article sur son travail là-bas. Il est actuellement inscrit au programme de doctorat à l'Université de l'Illinois à Urbana-Champaign

"Lorsque vous utilisez l'apprentissage automatique, " Parsons dit, « vous considérez les modèles produits par le programme informatique comme des boîtes noires - vous y mettez quelque chose et en sortez quelque chose, mais ne savent pas toujours comment la sortie est liée à ce que vous mettez. Dans cet article, Je rends cette boîte noire un peu plus transparente."

La boîte noire n'a pas besoin de découvrir les mécanismes derrière les liens de causalité. Par exemple, une personne peut observer des centaines d'orages et observer que la foudre a tendance à précéder le tonnerre. Cette personne pourrait en déduire que le tonnerre suivra à nouveau la foudre lors d'une future tempête. Mais cette inférence n'inclut aucune information sur la façon dont, exactement, l'éclairage et le tonnerre sont liés.

Les physiciens peuvent utiliser l'apprentissage automatique pour analyser le comportement du plasma, la soupe chaude d'électrons et de noyaux atomiques chargés entourés de champs magnétiques dans les tokamaks. En alimentant les données d'expériences passées dans un programme d'apprentissage automatique, les scientifiques peuvent apprendre quel comportement du plasma a tendance à précéder les perturbations. Ils peuvent ensuite construire un système qui surveille le plasma à la recherche de signes de ces précurseurs de perturbation, en théorie donnant aux scientifiques le temps d'orienter le plasma vers la stabilité.

"Une chose qui m'enthousiasme vraiment dans la technique d'analyse que je propose, c'est qu'elle est en fait assez simple et pourrait assez facilement être mise en œuvre par quiconque développe ces modèles d'apprentissage automatique, " dit Parsons. " Tout ce que vous avez à faire est de prendre la sortie numérique du modèle de prédiction, qui, dans un certain sens, décrit à quel point vous êtes proche d'une perturbation, modifiez vos entrées par un petit incrément, et comparer la nouvelle sortie à la sortie d'origine. Plus le changement est petit, plus la décharge de plasma est stable par rapport aux variables d'entrée. C'est vraiment le cœur de ce que je propose."

Bien que les modèles de boîte noire aient tendance à être évités par la communauté des physiciens, Parsons insiste sur le fait qu'ils pourraient être utiles. « En tant que physiciens, la façon dont nous regardons les problèmes est d'essayer de comprendre la relation entre ce qui entre dans votre modèle et ce qui en sort, " dit-il. " C'est naturel, alors, que lorsque nous voyons ces modèles de boîte noire, nous pensons que ce n'est pas quelque chose que nous voulons traiter parce que nous ne comprenons pas ce qui se passe."

Cependant, "beaucoup de problèmes auxquels nous sommes confrontés dans la fusion sont très techniques, et si nous pouvions arriver à certaines des solutions en utilisant l'apprentissage automatique, Je pense qu'il est prudent d'explorer toutes les options et de ne pas en exclure certaines simplement parce qu'elles sont différentes de notre entraînement."