Apprentissage automatique (ML), une forme d'intelligence artificielle qui reconnaît les visages, comprend la langue et conduit des voitures autonomes, peut aider à apporter sur Terre l'énergie de fusion propre qui éclaire le soleil et les étoiles. Des chercheurs du Princeton Plasma Physics Laboratory (PPPL) du département américain de l'Énergie (DOE) utilisent ML pour créer un modèle de contrôle rapide du plasma - l'état de la matière composé d'électrons libres et de noyaux atomiques, ou des ions, qui alimentent les réactions de fusion.

Le soleil et la plupart des étoiles sont des boules de plasma géantes qui subissent des réactions de fusion constantes. Ici sur Terre, les scientifiques doivent chauffer et contrôler le plasma pour que les particules fusionnent et libèrent leur énergie. La recherche PPPL montre que le ML peut faciliter un tel contrôle.

Les réseaux de neurones

Des chercheurs dirigés par le physicien PPPL Dan Boyer ont formé des réseaux de neurones - le cœur du logiciel ML - sur les données produites lors de la première campagne opérationnelle de la mise à niveau de l'expérience nationale sur le tore sphérique (NSTX-U), l'installation de fusion phare, ou tokamak, au PPPL. Le modèle entraîné reproduit avec précision les prédictions du comportement des particules énergétiques produites par une puissante injection de faisceau neutre (NBI) qui est utilisée pour alimenter les plasmas NSTX-U et les chauffer à un million de degrés, températures pertinentes pour la fusion.

Ces prédictions sont normalement générées par un code informatique complexe appelé NUBEAM, qui intègre des informations sur l'impact du faisceau sur le plasma. De tels calculs complexes doivent être effectués des centaines de fois par seconde pour analyser le comportement du plasma au cours d'une expérience. Mais chaque calcul peut prendre plusieurs minutes à exécuter, rendre les résultats disponibles aux physiciens seulement après qu'une expérience qui dure généralement quelques secondes soit terminée.

Le nouveau logiciel ML réduit le temps nécessaire pour prédire avec précision le comportement des particules énergétiques à moins de 150 microsecondes, ce qui permet d'effectuer les calculs en ligne pendant l'expérience.

L'application initiale du modèle a démontré une technique d'estimation des caractéristiques du comportement du plasma non directement mesurées. Cette technique combine les prédictions ML avec les mesures limitées des conditions du plasma disponibles en temps réel. Les résultats combinés aideront le système de contrôle du plasma en temps réel à prendre des décisions plus éclairées sur la façon d'ajuster l'injection du faisceau pour optimiser les performances et maintenir la stabilité du plasma, une qualité critique pour les réactions de fusion.

Évaluations rapides

Les évaluations rapides aideront également les opérateurs à effectuer des ajustements mieux informés entre les expériences qui sont exécutées toutes les 15 à 20 minutes pendant les opérations. "Les capacités de modélisation accélérées pourraient montrer aux opérateurs comment ajuster les paramètres NBI pour améliorer la prochaine expérience, " dit Boyer, auteur principal d'un article dans Nuclear Fusion qui rapporte le nouveau modèle.

Boyer, travailler avec le physicien PPPL Stan Kaye, a généré une base de données de calculs NUBEAM pour une gamme de conditions de plasma similaires à celles obtenues dans les expériences au cours de l'exécution initiale de NSTX-U. Les chercheurs ont utilisé la base de données pour entraîner un réseau de neurones à prédire les effets des faisceaux neutres sur le plasma, tels que l'échauffement et les profils du courant. L'ingénieur logiciel Keith Erickson a ensuite mis en place un logiciel d'évaluation du modèle sur des ordinateurs utilisés pour contrôler activement l'expérience afin de tester le temps de calcul.

Les nouveaux travaux comprendront le développement de modèles de réseaux neuronaux adaptés aux conditions prévues des futures campagnes NSTX-U et d'autres installations de fusion. En outre, les chercheurs prévoient d'étendre l'approche de modélisation actuelle pour permettre des prédictions accélérées d'autres phénomènes de plasma de fusion.