Maschinelles Lernen erleichtert die „Turbulenzverfolgung“ in Fusionsreaktoren

Jan 20, 2024

Bilder zum Herunterladen auf der Website des MIT News-Büros werden nichtkommerziellen Unternehmen, der Presse und der Öffentlichkeit unter einer Creative Commons-Lizenz „Namensnennung, nicht kommerziell, keine Bearbeitung“ zur Verfügung gestellt. Sie dürfen die bereitgestellten Bilder nicht verändern, außer sie auf die richtige Größe zuzuschneiden. Bei der Reproduktion von Bildern muss eine Kreditlinie in Anspruch genommen werden; Wenn dies unten nicht angegeben ist, nennen Sie die Bilder „MIT“.

Vorheriges Bild Nächstes Bild

Die Kernfusion, die praktisch unbegrenzte, kohlenstofffreie Energie mit denselben Prozessen verspricht, die die Sonne antreiben, ist das Herzstück einer weltweiten Forschungsanstrengung, die zur Eindämmung des Klimawandels beitragen könnte.

Ein multidisziplinäres Forscherteam bringt nun Werkzeuge und Erkenntnisse aus dem maschinellen Lernen ein, um diese Bemühungen zu unterstützen. Wissenschaftler vom MIT und anderswo haben Computer-Vision-Modelle verwendet, um turbulente Strukturen zu identifizieren und zu verfolgen, die unter den Bedingungen auftreten, die zur Erleichterung von Fusionsreaktionen erforderlich sind.

Die Überwachung der Bildung und Bewegung dieser als Filamente oder „Blobs“ bezeichneten Strukturen ist wichtig für das Verständnis der aus dem reagierenden Brennstoff austretenden Wärme- und Partikelströme, die letztendlich die technischen Anforderungen an die Reaktorwände bestimmen, um diesen Strömen gerecht zu werden. Wissenschaftler untersuchen Blobs jedoch in der Regel mithilfe von Mittelungstechniken, bei denen Details einzelner Strukturen zugunsten aggregierter Statistiken ausgetauscht werden. Einzelne Blob-Informationen müssen durch manuelles Markieren in Videodaten verfolgt werden.

Die Forscher erstellten einen synthetischen Videodatensatz von Plasmaturbulenzen, um diesen Prozess effektiver und effizienter zu gestalten. Sie nutzten es, um vier Computer-Vision-Modelle zu trainieren, die jeweils Blobs identifizieren und verfolgen. Sie trainierten die Modelle, Blobs auf die gleiche Weise zu lokalisieren, wie es Menschen tun würden.

Als die Forscher die trainierten Modelle anhand echter Videoclips testeten, konnten die Modelle Blobs mit hoher Genauigkeit identifizieren – in einigen Fällen mit mehr als 80 Prozent. Die Modelle waren auch in der Lage, die Größe der Blobs und die Geschwindigkeit, mit der sie sich bewegten, effektiv abzuschätzen.

Da während nur eines Fusionsexperiments Millionen von Videobildern erfasst werden, könnte der Einsatz maschineller Lernmodelle zur Verfolgung von Blobs den Wissenschaftlern viel detailliertere Informationen liefern.

„Früher konnten wir uns ein makroskopisches Bild davon machen, was diese Strukturen im Durchschnitt tun. Jetzt haben wir ein Mikroskop und die Rechenleistung, um jeweils ein Ereignis zu analysieren. Wenn wir einen Schritt zurücktreten, zeigt sich die verfügbare Leistung.“ aus diesen maschinellen Lerntechniken und Möglichkeiten, diese Rechenressourcen zu nutzen, um Fortschritte zu erzielen“, sagt Theodore Golfinopoulos, Forscher am MIT Plasma Science and Fusion Center und Co-Autor eines Artikels, in dem diese Ansätze detailliert beschrieben werden.

Zu seinen Mitautoren gehören der Hauptautor Woonghee „Harry“ Han, ein Physik-Doktorand; leitender Autor Iddo Drori, Gastprofessor am Computer Science and Artificial Intelligence Laboratory (CSAIL), außerordentlicher Fakultätsprofessor an der Boston University und außerordentlicher Professor an der Columbia University; sowie andere vom MIT Plasma Science and Fusion Center, der MIT-Abteilung für Bau- und Umweltingenieurwesen und der Eidgenössischen Technischen Hochschule in Lausanne in der Schweiz. Die Forschung erscheint heute in Nature Scientific Reports.

Es geht heiß her

Seit mehr als 70 Jahren versuchen Wissenschaftler, kontrollierte thermonukleare Fusionsreaktionen zur Entwicklung einer Energiequelle zu nutzen. Um die für eine Fusionsreaktion notwendigen Bedingungen zu erreichen, muss der Brennstoff auf Temperaturen über 100 Millionen Grad Celsius erhitzt werden. (Der Kern der Sonne hat eine Temperatur von etwa 15 Millionen Grad Celsius.)

Eine übliche Methode zur Eindämmung dieses superheißen Brennstoffs, Plasma genannt, ist die Verwendung eines Tokamaks. Diese Geräte nutzen extrem starke Magnetfelder, um das Plasma an Ort und Stelle zu halten und die Wechselwirkung zwischen der Abwärme des Plasmas und den Reaktorwänden zu steuern.

Am äußersten Rand, zwischen dem Plasma und den Reaktorwänden, erscheinen jedoch Kleckse wie Fäden, die aus dem Plasma herausfallen. Diese zufälligen, turbulenten Strukturen beeinflussen den Energiefluss zwischen dem Plasma und dem Reaktor.

„Zu wissen, was die Blobs tun, schränkt die technische Leistung, die Ihr Tokamak-Kraftwerk am Rande benötigt, stark ein“, fügt Golfinopoulos hinzu.

Forscher verwenden eine einzigartige Bildgebungstechnik, um während Experimenten Videos vom turbulenten Rand des Plasmas aufzunehmen. Eine experimentelle Kampagne kann Monate dauern; An einem typischen Tag werden etwa 30 Sekunden Daten erzeugt, was etwa 60 Millionen Videobildern entspricht, wobei jede Sekunde Tausende von Blobs erscheinen. Dadurch ist es unmöglich, alle Blobs manuell zu verfolgen. Daher verlassen sich die Forscher auf Durchschnittsstichprobenverfahren, die nur allgemeine Merkmale der Blobgröße, -geschwindigkeit und -häufigkeit liefern.

„Andererseits bietet maschinelles Lernen eine Lösung für dieses Problem, indem es Blob für Blob jedes Bild und nicht nur Durchschnittsmengen verfolgt. Dadurch erhalten wir viel mehr Wissen darüber, was an der Grenze des Plasmas passiert“, sagt Han.

Er und seine Co-Autoren nutzten vier etablierte Computer-Vision-Modelle, die üblicherweise für Anwendungen wie autonomes Fahren verwendet werden, und trainierten sie, um dieses Problem anzugehen.

Blobs simulieren

Um diese Modelle zu trainieren, erstellten sie einen riesigen Datensatz synthetischer Videoclips, die die zufällige und unvorhersehbare Natur der Blobs einfingen.

„Manchmal ändern sie die Richtung oder Geschwindigkeit, manchmal verschmelzen mehrere Blobs oder sie teilen sich auf. Solche Ereignisse wurden bisher mit herkömmlichen Ansätzen nicht berücksichtigt, aber wir konnten dieses Verhalten in den synthetischen Daten frei simulieren“, sagt Han.

Durch die Erstellung synthetischer Daten konnten sie auch jeden Blob kennzeichnen, was den Trainingsprozess effektiver machte, fügt Drori hinzu.

Mithilfe dieser synthetischen Daten trainierten sie die Modelle, Grenzen um Blobs zu ziehen, und brachten ihnen bei, genau nachzuahmen, was ein menschlicher Wissenschaftler zeichnen würde.

Anschließend testeten sie die Modelle anhand realer Videodaten aus Experimenten. Zunächst haben sie gemessen, wie genau die von den Modellen gezogenen Grenzen mit den tatsächlichen Blob-Konturen übereinstimmten.

Sie wollten aber auch sehen, ob die Modelle Objekte vorhersagten, die Menschen identifizieren würden. Sie baten drei menschliche Experten, die Zentren von Blobs in Videobildern zu lokalisieren und prüften, ob die Modelle Blobs an denselben Stellen vorhersagten.

Die Modelle waren in etwa 80 Prozent der Fälle in der Lage, genaue Blob-Grenzen zu zeichnen, die sich mit Helligkeitskonturen überlappten, die als Ground-Truth gelten. Ihre Bewertungen ähnelten denen menschlicher Experten und sagten erfolgreich das theoretisch definierte Regime des Kleckses voraus, was mit den Ergebnissen einer traditionellen Methode übereinstimmt.

Nachdem sie nun den Erfolg der Verwendung synthetischer Daten und Computer-Vision-Modelle zur Verfolgung von Blobs gezeigt haben, planen die Forscher, diese Techniken auf andere Probleme in der Fusionsforschung anzuwenden, beispielsweise auf die Schätzung des Teilchentransports an der Grenze eines Plasmas, sagt Han.

Sie haben den Datensatz und die Modelle auch öffentlich zugänglich gemacht und freuen sich darauf zu sehen, wie andere Forschungsgruppen diese Tools anwenden, um die Dynamik von Blobs zu untersuchen, sagt Drori.

„Zuvor gab es eine Eintrittsbarriere, da die meisten Leute, die an diesem Problem arbeiteten, Plasmaphysiker waren, die über die Datensätze verfügten und ihre Methoden verwendeten. Es gibt eine riesige Community für maschinelles Lernen und Computer Vision. Ein Ziel von „Diese Arbeit soll die Beteiligung der breiteren Gemeinschaft des maschinellen Lernens an der Fusionsforschung fördern, um das umfassendere Ziel zu erreichen, zur Lösung des kritischen Problems des Klimawandels beizutragen“, fügt er hinzu.

Diese Forschung wird teilweise vom US-Energieministerium und dem Schweizerischen Nationalfonds unterstützt.

MIT-Forscher haben ein neues Modell für maschinelles Lernen entwickelt, das Plasmaklumpen identifizieren und verfolgen kann, die in der kontrollierten Kernfusionsforschung entstehen, berichtet Ed Browne für Newsweek. „Fusionsforschung ist ein komplexes, multidisziplinäres Projekt, das Technologien aus vielen Bereichen erfordert“, erklärt Doktorand Woonghee „Harry“ Han.

Vorheriger Artikel Nächster Artikel

Vorheriger Artikel Nächster Artikel