Avant que les scientifiques puissent capturer et déployer efficacement l'énergie de fusion, ils doivent apprendre à prédire les perturbations majeures qui peuvent arrêter les réactions de fusion et endommager les parois des dispositifs de fusion en forme de beignet appelés tokamaks. Prévision opportune des perturbations, la perte soudaine de contrôle du chaud, plasma chargé qui alimente les réactions, sera essentiel pour déclencher des mesures visant à éviter ou à atténuer de tels événements à grande échelle.

Aujourd'hui, des chercheurs du laboratoire de physique du plasma de Princeton (PPPL) du département américain de l'Énergie (DOE) et de l'Université de Princeton utilisent l'intelligence artificielle pour améliorer la capacité de prévision. Des chercheurs dirigés par William Tang, un physicien PPPL et un conférencier avec le rang et le titre de professeur à l'Université de Princeton, développent le code de prédiction d'ITER, l'expérience internationale en construction en France pour démontrer la praticité de l'énergie de fusion.

Forme de « deep learning »

Le nouveau logiciel prédictif, appelé le code Fusion Recurrent Neural Network (FRNN), est une forme de « deep learning », une version plus récente et plus puissante du logiciel d'apprentissage automatique moderne, une application de l'intelligence artificielle. "Le deep learning représente une nouvelle voie passionnante vers la prédiction des perturbations, " Tang a dit. " Cette capacité peut maintenant gérer des données multidimensionnelles. "

FRNN est une architecture d'apprentissage en profondeur qui s'est avérée être le meilleur moyen d'analyser des données séquentielles avec des modèles à longue portée. Les membres de l'équipe d'apprentissage automatique du PPPL et de l'Université de Princeton sont les premiers à appliquer systématiquement une approche d'apprentissage en profondeur au problème de la prévision des perturbations dans les plasmas de fusion des tokamaks.

L'architecte en chef de FRNN est Julian Kates-Harbeck, un étudiant diplômé de l'Université Harvard et un chercheur diplômé en sciences informatiques du DOE-Office of Science. S'appuyant sur l'expertise acquise lors de l'obtention d'une maîtrise en informatique à l'Université de Stanford, il a dirigé la construction du logiciel FRNN.

Des prédictions plus précises

En utilisant cette approche, l'équipe a démontré sa capacité à prédire les événements perturbateurs avec plus de précision que les méthodes précédentes. En puisant dans l'énorme base de données de l'installation Joint European Torus (JET) située au Royaume-Uni, le tokamak le plus grand et le plus puissant en activité, les chercheurs ont considérablement amélioré les prévisions de perturbations et réduit le nombre de fausses alarmes positives. EUROfusion, le Consortium Européen pour le Développement de l'Energie de Fusion, gère la recherche JET.

L'équipe vise maintenant à atteindre les objectifs ambitieux qu'ITER aura besoin. Il s'agit notamment de produire des prévisions correctes à 95 % lorsque des perturbations se produisent, tout en fournissant moins de 3 % de fausses alarmes lorsqu'il n'y a pas de perturbations. « Sur les ensembles de données de test examinés, le FRNN a amélioré la courbe de prédiction des vrais positifs tout en réduisant les faux positifs, " dit Eliot Feibush, un informaticien à PPPL, se référant à ce qu'on appelle la courbe « Caractéristique de fonctionnement du récepteur » qui est couramment utilisée pour mesurer la précision de l'apprentissage automatique. "Nous travaillons à apporter plus de données d'entraînement pour faire encore mieux."

Très exigeant

Le processus est très exigeant. « La formation de réseaux de neurones profonds est une tâche intensive en calculs qui nécessite l'utilisation de matériel informatique haute performance, " a déclaré Alexey Sviatkovskiy, un chercheur en Big Data de l'Université de Princeton. « C'est pourquoi une grande partie de ce que nous faisons consiste à développer et à distribuer de nouveaux algorithmes sur de nombreux processeurs pour obtenir un calcul parallèle hautement efficace. Un tel calcul gérera la taille croissante des problèmes tirés de la base de données de JET et d'autres tokamaks. "

Le code d'apprentissage en profondeur s'exécute sur des unités de traitement graphique (GPU) qui peuvent calculer des milliers de copies d'un programme à la fois, bien plus que les anciennes unités centrales de traitement (CPU). Tests réalisés sur des clusters GPU modernes, et sur des machines de classe mondiale telles que Titan, actuellement le supercalculateur américain le plus rapide et le plus puissant de l'Oak Ridge Leadership Computing Facility, une installation utilisateur du DOE Office of Science au Oak Ridge National Laboratory, ont démontré une excellente mise à l'échelle linéaire. Une telle mise à l'échelle réduit le temps d'exécution des calculs en proportion directe du nombre de GPU utilisés, une exigence majeure pour un traitement parallèle efficace.

Amas du Tigre de Princeton

Le cluster Tiger de GPU modernes de l'Université de Princeton a été le premier à effectuer des tests d'apprentissage en profondeur, en utilisant FRNN pour démontrer la capacité améliorée de prédire les perturbations de la fusion. Le code a depuis fonctionné sur Titan et d'autres clusters de GPU de supercalculateurs de premier plan aux États-Unis, Europe et Asie, et ont continué à montrer une excellente mise à l'échelle avec le nombre de GPU engagés.

Aller de l'avant, les chercheurs cherchent à démontrer que ce puissant logiciel prédictif peut fonctionner sur les tokamaks du monde entier et éventuellement sur ITER. Il est également prévu d'améliorer la vitesse d'analyse des perturbations pour les problèmes de taille croissante associés aux ensembles de données plus volumineux avant le début d'un événement perturbateur. Le soutien à ce projet est principalement venu à ce jour des fonds de recherche et développement dirigés par le laboratoire fournis par PPPL.