Взгляд на Plasma Edge Fusion Экспериментирует по-новому с искусственным интеллектом

Визуализируются двумерные флуктуации давления в более крупном трехмерном моделировании термоядерной плазмы, удерживаемой магнитным полем. Благодаря недавним достижениям в области методов машинного обучения эти типы частичных наблюдений открывают новые способы проверки моделей пониженной турбулентности как в теории, так и в эксперименте. Предоставлено: Центр плазменной науки и термоядерного синтеза.

Абхилаш Мэтьюз, доктор философии. Кандидат кафедры ядерной науки и техники, работающий в Центре плазменной науки и термоядерного синтеза (PSFC) Массачусетского технологического института, считает, что этот край плазмы является особенно богатым источником вопросов, оставшихся без ответа. Турбулентная граница имеет центральное значение для понимания удержания плазмы, заправки топливом и потенциально разрушительных тепловых потоков, которые могут ударять по поверхностям материалов — факторов, влияющих на конструкции термоядерных реакторов.

Чтобы лучше понять краевые условия, ученые сосредоточились на моделировании турбулентности на этой границе с помощью численного моделирования, которое поможет предсказать поведение плазмы. Однако моделирование этой области на основе «первых принципов» является одним из самых сложных и трудоемких вычислений в исследованиях термоядерного синтеза. Прогресс можно было бы ускорить, если бы исследователи смогли разработать «упрощенные» компьютерные модели, которые работают намного быстрее, но с количественными уровнями точности.

В течение десятилетий физики токамаков регулярно использовали сокращенную «теорию двух жидкостей», а не модели с более высокой точностью для моделирования граничной плазмы в эксперименте, несмотря на неуверенность в точности. В паре недавних публикаций Мэтьюз начинает непосредственную проверку точности этой уменьшенной модели плазменной турбулентности новым способом: он сочетает физику с машинным обучением.

«Успешная теория должна предсказывать то, что вы собираетесь наблюдать, — объясняет Мэтьюз, — например, температуру, плотность, электрический потенциал, потоки. И именно отношения между этими переменными фундаментально определяют теорию турбулентности. Наша работа по существу исследует динамическую связь между двумя из этих переменных: турбулентным электрическим полем и давлением электронов».

В первой статье, опубликованной в Физический обзор E, Мэтьюз использует новую технику глубокого обучения, которая использует искусственные нейронные сети для построения представлений уравнений, управляющих теорией редуцированной жидкости. Используя эту схему, он демонстрирует способ вычисления турбулентного электрического поля по флуктуациям давления электронов в плазме в соответствии с теорией редуцированной жидкости. Модели, обычно используемые для связи электрического поля с давлением, разрушаются применительно к турбулентной плазме, но эта модель устойчива даже к шумным измерениям давления.

Во второй статье, опубликованной в Физика плазмы, Мэтьюз дополнительно исследует эту связь, сравнивая ее с более точным моделированием турбулентности. Это первое в своем роде сравнение турбулентности между моделями ранее было трудно — если не невозможно — точно оценить. Мэтьюз обнаружил, что в плазме, имеющей отношение к существующим термоядерным устройствам, турбулентные поля, предсказанные моделью редуцированной жидкости, согласуются с высокоточными расчетами. В этом смысле работает теория редуцированной турбулентности. Но чтобы полностью проверить это, «необходимо проверить каждую связь между каждой переменной», — говорит Мэтьюз.

Советник Мэтьюза, главный научный сотрудник Джерри Хьюз, отмечает, что турбулентность плазмы, как известно, трудно смоделировать, в отличие от знакомой турбулентности, наблюдаемой в воздухе и воде. «Эта работа показывает, что при правильном наборе условий методы машинного обучения, основанные на физике, могут нарисовать очень полную картину быстро меняющейся краевой плазмы, начиная с ограниченного набора наблюдений. Я рад видеть, как мы можем применить это к новым экспериментам, в которых мы, по сути, никогда не наблюдаем каждую величину, которую хотим».

Визуализируются двумерные флуктуации давления в более крупном трехмерном моделировании термоядерной плазмы, удерживаемой магнитным полем. Благодаря недавним достижениям в области методов машинного обучения эти типы частичных наблюдений открывают новые способы проверки моделей пониженной турбулентности как в теории, так и в эксперименте. Предоставлено: Центр плазменной науки и термоядерного синтеза.

Эти основанные на физике методы глубокого обучения прокладывают новые пути для проверки старых теорий и расширения того, что можно наблюдать в новых экспериментах. Дэвид Хэтч, научный сотрудник Института термоядерных исследований Техасского университета в Остине, считает, что эти приложения являются началом многообещающей новой техники.

«Работа Абхи — крупное достижение с потенциалом для широкого применения», — говорит он. «Например, при ограниченных диагностических измерениях определенного количества плазмы машинное обучение с учетом физики может вывести дополнительные количества плазмы в соседней области, тем самым дополнив информацию, предоставленную данной диагностикой. Этот метод также открывает новые стратегии для проверки модели».

Мэтьюз видит впереди интересные исследования. «Преобразование этих методов в эксперименты по термоядерному синтезу реальной граничной плазмы — это одна из наших целей, и работа в настоящее время ведется», — говорит он. — Но это только начало.