Intelligence artificielle (IA), une branche de l'informatique qui transforme la recherche scientifique et l'industrie, pourrait désormais accélérer le développement de coffres-forts, une énergie de fusion propre et pratiquement illimitée pour produire de l'électricité. Une étape majeure dans cette direction est en cours au Princeton Plasma Physics Laboratory (PPPL) du Département de l'énergie des États-Unis (DOE) et à l'Université de Princeton, où une équipe de scientifiques travaillant avec un étudiant diplômé de Harvard applique pour la première fois l'apprentissage en profondeur - une nouvelle version puissante de la forme d'apprentissage automatique de l'IA - pour prévoir des perturbations soudaines qui peuvent arrêter les réactions de fusion et endommager les tokamaks en forme de beignet qui abritent les réactions.

Un nouveau chapitre prometteur dans la recherche sur la fusion

"Cette recherche ouvre un nouveau chapitre prometteur dans l'effort pour apporter une énergie illimitée à la Terre, " Steve Cowley, directeur de PPPL, dit des conclusions, qui sont rapportés dans le numéro actuel de La nature magazine. "L'intelligence artificielle explose dans toutes les sciences et maintenant elle commence à contribuer à la quête mondiale de la puissance de fusion."

La fusion, qui pousse le soleil et les étoiles, est la fusion d'éléments légers sous forme de plasma - le chaud, état chargé de la matière composé d'électrons libres et de noyaux atomiques, qui génère de l'énergie. Les scientifiques cherchent à reproduire la fusion sur Terre pour un approvisionnement abondant en énergie pour la production d'électricité.

L'accès à d'énormes bases de données fournies par deux installations de fusion majeures a été cruciale pour démontrer la capacité de l'apprentissage en profondeur à prévoir les perturbations - la perte soudaine du confinement des particules de plasma et de l'énergie :l'installation nationale de fusion DIII-D que General Atomics exploite pour le DOE. en Californie, la plus grande installation des États-Unis, et le Joint European Torus (JET) au Royaume-Uni, la plus grande installation au monde, qui est géré par EUROfusion, le Consortium européen pour le développement de l'énergie de fusion. Le soutien des scientifiques du JET et du DIII-D a été essentiel pour ce travail.

Les vastes bases de données ont permis des prédictions fiables des perturbations sur des tokamaks autres que ceux sur lesquels le système a été formé, dans ce cas du plus petit DIII-D au plus grand JET. La réalisation est de bon augure pour la prédiction des perturbations sur ITER, un tokamak bien plus grand et plus puissant qui devra appliquer les capacités apprises sur les installations de fusion d'aujourd'hui.

Le code d'apprentissage profond, appelé Fusion Recurrent Neural Network (FRNN), ouvre également des voies possibles pour contrôler ainsi que prévoir les perturbations.

Domaine de croissance scientifique le plus fascinant

"L'intelligence artificielle est le domaine le plus intrigant de la croissance scientifique en ce moment, et le marier à la science de la fusion est très excitant, " dit Bill Tang, un physicien de recherche principal au PPPL, coauteur de l'article et conférencier avec rang et titre de professeur au département des sciences astrophysiques de l'Université de Princeton qui supervise le projet d'IA. "Nous avons accéléré la capacité de prédire avec une grande précision le défi le plus dangereux pour l'énergie de fusion propre."

Contrairement aux logiciels traditionnels, qui exécute les instructions prescrites, le deep learning apprend de ses erreurs. Les réseaux de neurones accomplissent cette magie apparente, couches de nœuds interconnectés (algorithmes mathématiques) qui sont « paramétrés, " ou pondérée par le programme pour façonner la sortie souhaitée. Pour toute entrée donnée, les nœuds cherchent à produire une sortie spécifiée, telles que l'identification correcte d'un visage ou des prévisions précises d'une perturbation. L'entraînement démarre lorsqu'un nœud ne parvient pas à accomplir cette tâche :les poids s'ajustent automatiquement pour les nouvelles données jusqu'à ce que la sortie correcte soit obtenue.

Une caractéristique clé de l'apprentissage en profondeur est sa capacité à capturer des données de grande dimension plutôt qu'unidimensionnelles. Par exemple, alors qu'un logiciel d'apprentissage non approfondi peut considérer la température d'un plasma à un moment donné, le FRNN considère des profils de température évoluant dans le temps et dans l'espace. « La capacité des méthodes d'apprentissage en profondeur à apprendre à partir de données aussi complexes en fait un candidat idéal pour la tâche de prédiction des perturbations, " a déclaré le collaborateur Julian Kates-Harbeck, un étudiant diplômé en physique à l'Université de Harvard et un membre du DOE-Office of Science Computational Science Graduate Fellow qui était l'auteur principal de l'article de Nature et l'architecte en chef du code.

La formation et l'exploitation de réseaux de neurones reposent sur des unités de traitement graphique (GPU), puces informatiques initialement conçues pour rendre des images 3D. Ces puces sont parfaitement adaptées à l'exécution d'applications d'apprentissage en profondeur et sont largement utilisées par les entreprises pour produire des capacités d'IA telles que la compréhension du langage parlé et l'observation des conditions routières par des voitures autonomes.

Kates-Harbeck a entraîné le code FRNN sur plus de deux téraoctets (1012) de données collectées par JET et DIII-D. Après avoir exécuté le logiciel sur le cluster Tiger de l'Université de Princeton de GPU modernes, l'équipe l'a placé sur Titan, un supercalculateur de l'Oak Ridge Leadership Computing Facility, une installation utilisateur du DOE Office of Science, et d'autres machines hautes performances.

Une tâche exigeante

La distribution du réseau sur de nombreux ordinateurs était une tâche exigeante. « L'entraînement des réseaux de neurones profonds est un problème de calcul intensif qui nécessite l'engagement de clusters de calcul haute performance, " a déclaré Alexey Sviatkovskiy, un co-auteur de l'article de Nature qui a aidé à convertir les algorithmes en un code de production et est maintenant chez Microsoft. « Nous avons mis une copie de l'ensemble de notre réseau de neurones sur de nombreux processeurs pour obtenir un traitement parallèle très efficace, " il a dit.

Le logiciel a en outre démontré sa capacité à prédire de véritables perturbations dans le délai de 30 millisecondes dont ITER aura besoin, tout en réduisant le nombre de fausses alarmes. Le code se rapproche maintenant de l'exigence ITER de 95 pour cent de prédictions correctes avec moins de 3 pour cent de fausses alarmes. Alors que les chercheurs disent que seule une opération expérimentale en direct peut démontrer les mérites de toute méthode prédictive, leur article note que les grandes bases de données d'archives utilisées dans les prédictions, « couvrent un large éventail de scénarios opérationnels et fournissent ainsi des preuves significatives des forces relatives des méthodes considérées dans cet article ».

De la prédiction au contrôle

La prochaine étape sera de passer de la prédiction au contrôle des perturbations. "Plutôt que de prévoir les perturbations au dernier moment puis de les atténuer, nous utiliserions idéalement les futurs modèles d'apprentissage en profondeur pour éloigner doucement le plasma des régions d'instabilité dans le but d'éviter la plupart des perturbations en premier lieu, " a déclaré Kates-Harbeck. Michael Zarnstorff, soulignant cette prochaine étape, qui est récemment passé de directeur adjoint de la recherche au PPPL à directeur scientifique du laboratoire. « Le contrôle sera essentiel pour les tokamaks post-ITER - dans lesquels l'évitement des perturbations sera une exigence essentielle, " a noté Zarnstorff.

Passer de prédictions précises basées sur l'IA à un contrôle plasma réaliste nécessitera plus d'une discipline. « Nous allons combiner l'apprentissage en profondeur avec les bases, la physique du premier principe sur des ordinateurs hautes performances pour se concentrer sur des mécanismes de contrôle réalistes dans les plasmas brûlants, " dit Tang. " Par contrôle, l'un signifie savoir quels « boutons » sur un tokamak pour modifier les conditions afin d'éviter les perturbations. C'est dans notre ligne de mire et c'est vers quoi nous nous dirigeons."