Apprentissage automatique, une technique utilisée dans le logiciel d'intelligence artificielle (IA) derrière les voitures autonomes et les assistants numériques, permet désormais aux scientifiques de relever les défis clés de la récolte sur Terre de l'énergie de fusion qui alimente le soleil et les étoiles. La technique a récemment permis au physicien Dan Boyer du Princeton Plasma Physics Laboratory (PPPL) du département américain de l'Énergie (DOE) de développer des prédictions rapides et précises pour faire avancer le contrôle des expériences dans le National Spherical Torus Experiment-Upgrade (NSTX-U) - le produit phare l'installation de fusion à PPPL qui est actuellement en réparation.

De telles prédictions de l'IA pourraient améliorer la capacité des scientifiques du NSTX-U à optimiser les composants des expériences qui chauffent et façonnent le plasma magnétiquement confiné qui alimente les expériences de fusion. En optimisant le chauffage et la mise en forme du plasma, les scientifiques seront en mesure d'étudier plus efficacement les aspects clés du développement des plasmas brûlants - en grande partie des réactions de fusion auto-échauffantes - qui seront essentiels pour ITER, l'expérimentation internationale en construction en France, et les futurs réacteurs à fusion.

Tactiques d'apprentissage automatique

"C'est un pas vers ce que nous devons faire pour optimiser les actionneurs, " dit Boyer, auteur d'un article en La fusion nucléaire qui décrit les tactiques d'apprentissage automatique. "L'apprentissage automatique peut transformer des données historiques en un modèle simple que nous pouvons évaluer assez rapidement pour prendre des décisions dans la salle de contrôle ou même en temps réel pendant une expérience."

Les réactions de fusion combinent des éléments légers sous forme de plasma - le chaud, état chargé de la matière composé d'électrons libres et de noyaux atomiques qui constituent 99 % de l'univers visible, pour générer des quantités massives d'énergie. Reproduire l'énergie de fusion sur Terre créerait une réserve pratiquement inépuisable d'énergie sûre et propre pour produire de l'électricité.

Boyer et co-auteur Jason Chadwick, un étudiant de premier cycle à l'Université Carnegie Mellon et un participant au programme de stages de premier cycle en sciences (SULI) au PPPL l'été dernier, des prévisions de machine learning testées sur 10 ans de données pour NSTX, le précurseur de NSTX-U, et les 10 semaines de fonctionnement de NSTX-U. Les deux tokamaks sphériques ont davantage la forme de pommes évidées que la forme de beignet de tokamaks conventionnels plus volumineux et plus largement utilisés, et ils créent des champs magnétiques rentables qui confinent le plasma.

Les tests d'apprentissage automatique ont correctement prédit la distribution de la pression et de la densité des électrons dans les plasmas de fusion, deux paramètres critiques mais difficiles à prévoir. "La pression électronique et la distribution de la densité au sein du plasma sont essentielles pour comprendre le comportement des plasmas de fusion, " Boyer a déclaré. "Nous avons besoin de modèles de ces facteurs pour prédire l'impact du changement de chauffage et de mise en forme sur les performances et la stabilité des expériences."

"Bien qu'il existe des modèles basés sur la physique pour prédire la pression et la densité des électrons, " il a dit, "Ils ne sont pas appropriés pour la prise de décision en temps réel. Ils prennent beaucoup trop de temps à calculer et ne sont pas aussi précis que nous en avons besoin."

Le modèle résout les deux problèmes

Le modèle d'apprentissage automatique résout les deux problèmes. "Il a appris à faire des prédictions à partir de milliers de profils observés dans les tokamaks PPPL et a fait des associations entre des combinaisons d'entrées et de sorties de données réelles, " Boyer a dit. Une fois formé, l'évaluation du modèle prend moins d'un millième de seconde. La vitesse du modèle résultant pourrait le rendre utile pour de nombreuses applications en temps réel, il a dit.

L'approche n'est pas sans limites. « Étant donné que le modèle est entraîné sur des données observées historiquement, il ne peut pas faire de prédictions sur de nouveaux points de fonctionnement avec une grande précision, " a déclaré Boyer. Il prévoit de remédier à cette limitation en ajoutant les résultats des prédictions de modèles basés sur la physique aux données d'entraînement et en développant des techniques d'adaptation du modèle à mesure que de nouvelles données deviennent disponibles.