Les technologies des réacteurs à fusion sont bien placées pour contribuer à nos futurs besoins énergétiques de manière sûre et durable. Les modèles numériques peuvent fournir aux chercheurs des informations sur le comportement du plasma de fusion, ainsi que des informations précieuses sur l'efficacité de la conception et de l'exploitation des réacteurs. Cependant, modéliser le grand nombre d'interactions plasma nécessite un certain nombre de modèles spécialisés qui ne sont pas assez rapides pour fournir des données sur la conception et l'exploitation des réacteurs. Aaron Ho du groupe Science et technologie de la fusion nucléaire du département de physique appliquée a exploré l'utilisation d'approches d'apprentissage automatique pour accélérer la simulation numérique du transport turbulent du cœur du plasma. Ho a soutenu sa thèse le 17 mars.

L'objectif ultime de la recherche sur les réacteurs à fusion est d'obtenir un gain net de puissance de manière économiquement viable. Pour atteindre cet objectif, de grands dispositifs complexes ont été construits, mais comme ces dispositifs deviennent plus complexes, il devient de plus en plus important d'adopter une approche prédictive en ce qui concerne son fonctionnement. Cela réduit les inefficacités opérationnelles et protège l'appareil contre les dommages graves.

Pour simuler un tel système, il faut des modèles capables de capturer tous les phénomènes pertinents dans un dispositif de fusion, sont suffisamment précis pour que les prédictions puissent être utilisées pour prendre des décisions de conception fiables et soient suffisamment rapides pour trouver rapidement des solutions réalisables.

Modèle basé sur les réseaux de neurones

Pour son doctorat. recherche, Aaron Ho a développé un modèle pour satisfaire ces critères en utilisant un modèle basé sur les réseaux de neurones. Cette technique permet effectivement à un modèle de conserver à la fois vitesse et précision au détriment de la collecte de données. L'approche numérique a été appliquée à un modèle de turbulence d'ordre réduit, QuaLiKiz, qui prédit les quantités de transport de plasma causées par la microturbulence. Ce phénomène particulier est le mécanisme de transport dominant dans les dispositifs à plasma tokamak. Malheureusement, son calcul est également le facteur de vitesse limitant dans la modélisation actuelle du plasma tokamak.

Ho a entraîné avec succès un modèle de réseau de neurones avec des évaluations QuaLiKiz tout en utilisant des données expérimentales comme entrée d'entraînement. Le réseau de neurones résultant a ensuite été couplé dans un cadre de modélisation intégré plus large, JINTRAC, pour simuler le cœur du dispositif plasma.

Temps de simulation réduit de 217 heures à seulement deux heures

Les performances du réseau neuronal ont été évaluées en remplaçant le modèle QuaLiKiz original par le modèle de réseau neuronal de Ho et en comparant les résultats. Par rapport au modèle QuaLiKiz original, Le modèle de Ho a considéré des modèles physiques supplémentaires, dupliqué les résultats avec une précision de 10 % près, et réduit le temps de simulation de 217 heures sur 16 cœurs à deux heures sur un seul cœur.

Ensuite, pour tester l'efficacité du modèle en dehors des données d'entraînement, le modèle a été utilisé dans un exercice d'optimisation utilisant le système couplé sur un scénario de montée en puissance du plasma comme preuve de principe. Cette étude a permis de mieux comprendre la physique derrière les observations expérimentales, et a souligné l'avantage du jeûne, précis, et des modèles plasma détaillés.

Finalement, Ho suggère que le modèle peut être étendu pour d'autres applications telles que le contrôleur ou la conception expérimentale. Il recommande également d'étendre la technique à d'autres modèles physiques, car il a été observé que les prédictions de transport turbulent ne sont plus le facteur limitant. Cela améliorerait encore l'applicabilité du modèle intégré dans les applications itératives et permettrait les efforts de validation requis pour pousser ses capacités plus près d'un modèle véritablement prédictif.