您的位置:首页 >观察评论 >

人工智能加速了无限融合能源的发展

时间:2022-02-21 10:25:07 来源:

用人工智能增强甜甜圈形托卡马克的融合研究。(艾略特Feibush / PPPL和Julian Kates-Harbeck / Harvard University描绘)

人工智能(AI),一种转变科学探究和行业的计算机科学分支,现在可以加快安全,清洁,几乎无限的融合能源的发展,以产生电力。在美国能源部(DOE)普林斯顿等离子物理实验室(PPPL)和普林斯顿大学的一项重大阶段是在美国能源部(DOE),以及与哈佛大学研究生一起使用的科学家团队第一次应用深度学习 - a强大的新版本的机器学习形式的AI - 预测突然的中断,可以停止融合反应,损坏甜甜圈形的Tokamak,这些托甜状的托克马克斯占据了反应。

融合研究中有希望的新篇章

“这项研究开展了一个有希望的新篇章,以便为地球带来无限的能量,”PPPL总监“史蒂夫考克利表示(Link是外部),在目前的自然杂志上报告。“人工智能正在整个科学爆炸,现在它开始为全球追求融合权而贡献。”

融合,驱动太阳和恒星,是等离子体形式的光元素的融合 - 由自由电子和原子核组成的热,充电的物质状态 - 产生能量。科学家们正在寻求复制地球上的融合,以便为电力生产充足的电力供应。

展示深度学习预测中断的能力至关重要 - 血浆粒子和能源突然丧失 - 一直访问两个主要融合设施提供的庞大数据库:一般原子的DIII-D国家融合设施为母鹿运营在加利福尼亚州,美国最大的设施以及联合王国联合欧洲托伦(喷气机),世界上最大的设施,由Eurofusion管理,欧洲联盟为融合能源发展。在Jet和Diii-D的科学家的支持对于这项工作至关重要。

庞大的数据库已经启用了对托卡马克的中断的可靠预测,而不是培训系统的托卡马克 - 在这种情况下,从较小的DIII-D到较大的喷射。成就钻点对于预测ITER的中断,更大且更强大的TOKAMAK,这将不得不在今天的融合设施中申请能力。深入学习码
,称为融合经常性神经网络(FRNN),也打开了可能的途径用于控制以及预测中断。

由第一个NSTX-U Operations运动产生的等离子体的快速摄像机照片。

科学增长的大多数有趣区域

“人工智能是现在的科学增长最有趣的地区,并将其嫁给融合科学是非常令人兴奋的,”PPPL,纸张和讲师的讲师的主要研究物理学家,具有教授的等级和称号在普林斯顿大学的天体物理科学系,监督AI项目。“我们加速了预测高精度最危险的挑战来清洁融合能力的能力。”

与传统的软件不同,这与规定指示,深度学习从错误中学习。完成这个似乎魔术是神经网络,互联节点的层数 - 数学算法 - 这些算法是“参数化”,或者由程序加权以形成所需的输出。对于任何给定的输入,节点搜索产生指定的输出,例如正确识别面部或准确的中断预测。当节点未能实现此任务时,培训踢出:权重自动调整新数据,直到获得正确的输出。

深度学习的关键特征是其能够捕获高维而不是一维数据的能力。例如,虽然非深度学习软件可以在单点时间点考虑等离子体的温度,但是FRNN考虑在时间和空间中发育的温度的概况。“深度学习方法从如此复杂的数据学习的能力使他们成为中断预测任务的理想候选者,”哈佛大学的物理研究生和科学计算科学毕业的爱情办公室的物理研究生合作朱利安套管谁是“自然界论文和代码首席架构师”的领先作者。

培训和运行神经网络依赖于图形处理单元(GPU),首先设计用于渲染3D图像的计算机芯片。这些芯片非常适合运行深度学习应用,并被公司广泛使用,以生产AI功能,例如通过驾驶汽车了解口语和观察道路状况。

Kates-Harbeck培训了从Jet和DIII-D收集的两种以上的数据(1012)的数据上的FRNN代码。在普林斯顿大学虎群现代GPU集群上运营软件后,该团队将其放在泰坦,这是一个超级计算机,一位超级计算机在橡树岭领导计算设施,一家科学用户设施和其他高性能机器办公室。

一个苛刻的任务

在许多计算机上分发网络是一个苛刻的任务。“培训深度神经网络是一个计算密集型的问题,需要高性能计算集群的参与,”Alexey Svyatkovskiy是一款帮助将算法转换为生产代码的自然论文,现在在Microsoft。“我们将我们整个神经网络的副本跨越许多处理器来实现高效并行处理,”他说。

该软件进一步展示了预测ITER将需要的30毫秒的时间框架内的真实中断的能力,同时减少了误报的数量。代码现在正在收取95%的迭代要求,以少于3%的错误警报。虽然研究人员说只有实时实验操作可以证明任何预测方法的优点,但他们的论文指出了预测中使用的大型档案数据库,“涵盖了广泛的操作场景,从而为相对优势提供了重要的证据本文考虑的方法。“

从预测控制

下一步将是从预测到控制中断的控制。“而不是在最后一刻预测中断然后减轻它们,我们理想地使用未来的深度学习模型,以便将等离子体轻轻地转向不稳定性的区域,以避免首先避免大多数中断的目标,”哈贝克说。突出显示下一步是Michael Zarnstorff,他最近从PPPL研究副主任搬迁到实验室的首席科学官。“控制对于后托尔托卡马克斯至关重要 - 其中破坏避免将是必不可少的要求,”ZarnStorff指出。

从AI启用的准确预测到现实等离子控制的进展将需要多个学科。“我们将在高性能计算机上与基本的第一原理物理相结合的深入学习,以燃烧等离子体的现实控制机制为零。”“通过控制,一个意味着了解托卡马克上的”旋钮“以改变条件以防止中断的情况。那是我们的景点,这是我们正在前往的地方。“

对本作品的支持来自于科学和国家核安全管理局的DOE办事处能源计算科学研究生奖。来自普林斯顿大学的计算科学与工程研究所(Picsie);从实验室指导的研究和开发资金提供PPPL提供。作者希望承认从Picscie的比尔维奇斯和柯特吉尔斯的高度绩效超级计算;橡木岭领先计算设施的杰克井; Satoshi Matsuoka和Rio Yokata在东京技术学院;和Nvidia公司的汤姆吉布斯

出版物:M.D. Boyer等,“使用神经网络的NSTX-U实时能够建模,”核聚心,2019年; DOI:10.1088 / 1741-4326 / AB0762


郑重声明:文章仅代表原作者观点,不代表本站立场;如有侵权、违规,可直接反馈本站,我们将会作修改或删除处理。