人工智能加速了开发干净 几乎无限的聚变能量的努力

人工智能(AI)是计算机科学的一个分支,正在改变科学探究和工业,现在可以加速开发安全,清洁和几乎无限的聚变能发电。美国能源部(DOE)普林斯顿等离子体物理实验室(PPPL)和普林斯顿大学正朝着这个方向迈出了重要一步,与哈佛大学研究生合作的科学家团队首次应用深度学习 - 人工智能的机器学习形式的强大新版本 - 预测突然中断,可以阻止聚变反应并破坏容纳反应的环形托卡马克。

融合研究的新篇章

“这项研究为向地球带来无限能量的努力开辟了一个有希望的新篇章,”PPPL主任史蒂夫考利说,这一发现在本期“自然”杂志上有报道。“人工智能在科学领域不断涌现,现在它开始为全球寻求聚变能力做出贡献。”

驱动太阳和恒星的融合是等离子体形式的轻元素的融合 - 由自由电子和原子核组成的热的带电状态 - 产生能量。科学家们正在寻求在地球上复制聚变,以获得充足的电力供应。

证明深度学习预测中断能力的重要因素 - 等离子体粒子和能量的突然丧失 - 已经获得了两个主要聚变设施提供的庞大数据库:通用原子公司运营的DIII-D国家融合设施加利福尼亚州的DOE,美国最大的工厂,以及英国的联合欧洲圆环(JET),这是世界上最大的工厂,由欧洲融合能源发展联盟EUROfusion管理。JET和DIII-D科学家的支持对这项工作至关重要。

庞大的数据库已经能够可靠地预测托卡马克的破坏,而不是系统训练的那些 - 在这种情况下,从较小的DIII-D到较大的JET。这一成就预示着对ITER中断的预测,ITER是一个更大,更强大的托卡马克,必须应用今天的融合设施所学到的能力。

深度学习代码,称为融合回归神经网络(FRNN),也为控制和预测中断提供了可能的途径。

最有趣的科学发展领域

“人工智能是目前最有趣的科学发展领域,将其与融合科学结合起来非常令人兴奋,”PPPL首席研究物理学家,该论文的共同作者,教授级别和职称的讲师普林斯顿大学天体物理学系负责监督AI项目。“我们加快了高精度预测清洁聚变能量最危险挑战的能力。”

与执行规定指令的传统软件不同,深度学习从错误中学习。实现这种看似神奇的是神经网络,互连节点的层 - 数学算法 - 被“参数化”,或由程序加权以形成所需的输出。对于任何给定的输入,节点寻求产生指定的输出,例如正确识别面部或准确预测中断。当节点无法完成此任务时,训练就会启动:权重会自动调整新数据,直到获得正确的输出。

深度学习的一个关键特征是它能够捕获高维数据而不是一维数据。例如,虽然非深度学习软件可能会考虑单个时间点的等离子体温度,但FRNN会考虑温度在时间和空间上的变化情况。“深度学习方法从这些复杂数据中学习的能力使他们成为破坏预测任务的理想候选人,”合作者Julian Kates-Harbeck说,哈佛大学物理系研究生和美国能源部科学计算科学研究生曾担任自然论文的主要作者和该代码的首席架构师的研究员。

训练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。这种芯片非常适合运行深度学习应用程序,并被公司广泛用于生成AI功能,例如理解口语和通过自动驾驶汽车观察道路状况。

Kates-Harbeck在从JET和DIII-D收集的超过2TB(1012)的数据上训练了FRNN代码。在普林斯顿大学现代GPU的Tiger集群上运行该软件后,该团队将其放置在Titan,Oak Ridge领导计算机构的超级计算机,DOE科学用户设施办公室以及其他高性能机器上。

一项艰巨的任务

在许多计算机上分配网络是一项艰巨的任务。“训练深度神经网络是一个计算密集型问题,需要高性能计算集群的参与,”自然论文的合着者Alexey Svyatkovskiy说,他帮助将算法转换为生产代码,现在是微软。“我们将整个神经网络的副本放在许多处理器上,以实现高效的并行处理,”他说。

该软件进一步证明了它能够在ITER需要的30毫秒时间内预测真正的中断,同时减少误报的数量。该代码现在正在接近ITER要求95%的正确预测,误报率低于3%。虽然研究人员表示,只有现场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,预测中使用的大型档案数据库“涵盖了广泛的操作场景,因此提供了关于相对优势的重要证据。本文考虑的方法。“

从预测到控制

下一步将是从预测转向控制中断。Kates-Harbeck说:“我们最好不要在最后一刻预测中断然后减轻它们,而是利用未来的深度学习模型轻轻地将等离子体从不稳定区域转移出去,目的是首先避免大部分中断。”下一步的重点是Michael Zarnstorff,他最近从PPPL的研究副主任转到实验室的首席科学官。“控制对于后ITER托卡马克至关重要 - 其中中断避免将是必不可少的要求,”Zarnstorff指出。

从支持AI的准确预测到现实的等离子体控制的进展将需要不止一门学科。“我们将深度学习与高性能计算机上基本的第一原理物理结合起来,将燃烧等离子体的现实控制机制归零,”唐说。“通过控制,一个意味着知道在托卡马克上转动哪些'旋钮'来改变条件以防止中断。这是我们的目标,也是我们前进的方向。”

这项工作的支持来自美国能源部科学和国家核安全管理局的能源计算科学研究生奖学金计划;来自普林斯顿大学计算科学与工程研究所(PICsiE);以及PPPL提供的实验室指导研究和开发基金。作者希望得到PICSciE的Bill Wichser和Curt Hillegas的高性能超级计算机的帮助;杰克威尔斯在橡树岭领导计算机构;Satoshi Matsuoka和Rio Yokata在东京工业大学;和NVIDIA公司的汤姆吉布斯