Techniques d'apprentissage automatique, surtout connu pour avoir appris aux voitures autonomes à s'arrêter aux feux rouges, pourrait bientôt aider les chercheurs du monde entier à mieux contrôler la réaction la plus compliquée connue de la science :la fusion nucléaire.

Les réactions de fusion sont généralement des atomes d'hydrogène chauffés pour former un nuage gazeux appelé plasma qui libère de l'énergie lorsque les particules se heurtent et fusionnent. Mieux contrôler ces réactions pourrait créer d'énormes quantités d'énergie écologiquement propre à partir des réacteurs nucléaires des centrales à fusion du futur.

"Le lien entre l'apprentissage automatique et l'énergie de fusion n'est pas évident, " a déclaré Aidan Thompson, chercheur au Sandia National Laboratories, chercheur principal pour une bourse de 2,2 millions de dollars par an du Department of Energy Office of Science sur trois ans pour établir ce lien. "Tout simplement, nous avons été les premiers à utiliser l'apprentissage automatique pour améliorer les simulations du matériau de la paroi du réacteur lorsqu'il interagit avec le plasma. Cela dépassait le cadre des simulations à l'échelle atomique du passé."

Le résultat attendu doit suggérer des modifications procédurales ou structurelles pour améliorer la production d'énergie nucléaire, il a dit.

Puissance de l'apprentissage automatique dans la modélisation de la fusion nucléaire

L'apprentissage automatique est puissant car il utilise des moyens mathématiques et statistiques pour comprendre une situation, plutôt que d'analyser chaque élément de données dans la catégorie souhaitée. Par exemple, seul un petit nombre de photos de chiens est nécessaire pour enseigner à un système de reconnaissance le concept de « chien » — en d'autres termes, « Ceci est un chien » - plutôt que de scanner toutes les photos de chiens existantes.

L'approche d'apprentissage automatique de Sandia pour la fusion nucléaire est la même, mais plus compliqué.

"Ce n'est pas un problème anodin d'observer physiquement ce qui se passe dans les murs d'un réacteur car ces structures sont bombardées à l'intérieur d'hydrogène, hélium, deutérium et tritium en tant que parties d'un plasma surchauffé, " dit Thompson.

Il a décrit des composants du plasma circulaire frappant et modifiant la composition des murs de soutènement et des atomes lourds se délogeant des murs frappés et modifiant le plasma. Les réactions se déroulent en nanosecondes à des températures aussi chaudes que le soleil. Essayer de modifier des composants en utilisant des essais et des erreurs pour améliorer les résultats est extrêmement laborieux.

Algorithmes d'apprentissage automatique, d'autre part, utiliser des données générées par ordinateur sans mesures directes d'expériences et peut fournir des informations qui pourraient éventuellement être utilisées pour rendre les interactions du plasma avec le matériau de la paroi de confinement moins dommageables et ainsi améliorer la production d'énergie globale des réacteurs de fusion.

"Il n'y a pas d'autre moyen d'obtenir cette information, " dit Thompson.

Un petit nombre d'atomes prédit l'énergie de plusieurs

L'équipe de Thompson s'attend à ce qu'en utilisant de grands ensembles de données de calculs de mécanique quantique dans des conditions extrêmes comme données d'entraînement, ils peuvent construire un modèle d'apprentissage automatique qui prédit l'énergie de n'importe quelle configuration d'atomes.

Ce modèle, appelé potentiel interatomique d'apprentissage automatique, ou MLIAP, peut être inséré dans d'énormes codes de dynamique moléculaire classiques tels que le LAMMPS primé de Sandia, ou Simulateur atomique/moléculaire massivement parallèle à grande échelle, Logiciel. De cette façon, en n'interrogeant qu'un nombre relativement faible d'atomes, ils peuvent étendre la précision de la mécanique quantique à l'échelle des millions d'atomes nécessaires pour simuler le comportement des matériaux énergétiques de fusion.

« Alors pourquoi ce que nous faisons est-il du machine learning et pas seulement de la comptabilité de beaucoup de données ? » demande Thompson rhétoriquement. "La réponse courte est, nous générons des équations à partir d'un ensemble infini de variables possibles pour construire des modèles fondés sur la physique mais contenant des centaines ou des milliers de paramètres qui nous maintiennent à portée de notre cible."

Un problème est que la précision du modèle MLIAP dépend du chevauchement entre les données d'apprentissage et les environnements atomiques réels rencontrés par l'application, dit Thompson.

Ces environnements peuvent être divers, nécessitant de nouvelles données d'entraînement et une modification du modèle d'apprentissage automatique. Reconnaître et corriger les chevauchements fait partie du travail des prochaines années.

"Notre modèle sera dans un premier temps utilisé pour interpréter de petites expériences, " a déclaré Thompson. " Inversement, que les données expérimentales seront utilisées pour valider notre modèle, qui peut ensuite être utilisé pour faire des prédictions sur ce qui se passe dans un réacteur de fusion à grande échelle. »

L'objectif pour donner aux chercheurs en fusion l'accès aux modèles d'apprentissage automatique de Sandia pour construire de meilleurs réacteurs à fusion est d'environ trois ans, dit Thompson.