ИИ ускорит получение бесконечной термоядерной энергии, — ученые

Важным условием способности глубокого обучения прогнозировать помехи в удержании плазмы стал доступ к огромной базе данных, который предоставили два крупнейших научных учреждения

ИИ ускорит получение бесконечной термоядерной энергии, — ученые

Большой шаг в этом направлении сделали американские физики, впервые применившие метод глубокого обучения для прогнозирования внезапных помех, способных остановить реакцию синтеза и повредить токамаку.

Реакция термоядерного синтеза, имитирующая процессы, происходящие внутри звезд, может стать источником бесконечной энергии для человечества. Исследование, проведенное специалистами из Принстонского университета и Министерства энергетики США, «открывает новую главу» в поисках решения этой задачи, пишет Phys.org.

Важным условием способности глубокого обучения прогнозировать помехи в удержании плазмы стал доступ к огромной базе данных, который предоставили два крупнейших научных учреждения: центр ядерного синтеза DIII-D National Fusion Facility в США и Объединенный европейский токамак JET в Великобритании.

Эти сведения позволяют ИИ точно предсказывать сбои на токамаках различных размеров, в том числе, подойдут и для строящегося ITER, мощного реактора, который должен вплотную приблизить человечество к получению энергии ядерного синтеза.

В отличие от традиционного ПО, выполняющего заложенные инструкции, искусственные нейронные сети с алгоритмами глубокого обучения извлекают опыт из ошибок. Они способны обрабатывать многоуровневые данные, например, изменение температуры плазмы во времени и пространстве, и выявлять скрытые связи.

Исследователи обучили нейросеть FRNN с помощью более чем двух терабайт данных, полученных от DIII-D и JET. Для этого потребовался суперкомпьютер Titan, принадлежащий Министерству энергетики, и несколько других высокопроизводительных машин.

Алгоритм показал способность прогнозировать нарушения в пределах 30 секунд, что укладывается в требования ITER, и приближается к порогу в 95% корректных предсказаний и менее 3% ложных-положительных результатов.
Следующим шагом станет переход от предсказаний к контролю над помехами. В идеале нейросеть должна «научиться» аккуратно направлять плазму прочь от регионов нестабильности.

Источник: Hightech.plus

Подписывайтесь на канал «Хвилі» в Telegram, на канал «Хвилі» вYoutube, страницу «Хвилі» в Facebook