Una asociación privada pública entre el Sistema de Fusión de la Commonwealth (CFS), el Laboratorio de Física de Plasma de Princeton Plasma del Departamento de Energía de los Estados Unidos (PPPL) y el Laboratorio Nacional de Oak Ridge se debe a un nuevo enfoque de inteligencia artificial (IA), conocido como una fusión.
Conocido llamado Heat-ML, la base de un nuevo software de IA que acelera significativamente el diseño del futuro sistema de fusión. Dicho software también puede permitir la toma de decisiones durante la operación de fusión ajustando el plasma para que los problemas potenciales puedan fallar antes de que comience.
“Esta investigación muestra que puede tomar un código existente y crear un sustituto de IA que acelere su capacidad para obtener respuestas útiles, y abrirá caminos interesantes en términos de control y planificación de escenarios”, dijo un jefe de ingeniería de fusión e ingeniería digital de una ingeniería de fusión y una ingeniería de fusión.
La fusión, la reacción que alimenta el sol y las estrellas, puede proporcionar cantidades ilimitadas de electricidad en el suelo. Para usar esto, los investigadores deben superar los desafíos científicos y de ingeniería clave. Uno de esos desafíos es manejar el intenso calor que proviene del plasma, que se calienta a la temperatura básica del sol cuando una fusión se limita usando campos magnéticos en un recipiente de fusión llamado tokamic. Para acelerar los cálculos que predicen dónde alcanzará este calor y qué partes de Tokamak estarán seguras a la sombra de otras partes es la clave para llevar la potencia de fusión a la cuadrícula.
“Los ingredientes que enfrentan el plasma tocámico pueden entrar en contacto con el plasma, que es muy caliente y puede derretir o dañar estos elementos”, dijo Dominica Corona Rowera, física de investigación asociada, asociada de PPPL y el primer autor de Odio ML. “Lo peor que puede suceder es que debes detener la operación”.
PPPL aumenta sus efectos a través de la asociación privada pública
El calor ML se realizó específicamente para imitar una pequeña sección de chispa: un tokamic está actualmente bajo construcción CFS. La compañía de Massachusetts espera mostrar energía pura para 2027, lo que significa que Spark generará más energía que su uso.
Para imitar cómo el calor se ve afectado por el calor, la entrada de Spark es el foco de este propósito y un importante desafío informático. Para dividir el desafío en algo manejado, el equipo se centró en una parte de Spark donde el calor de plasma es el calor más intenso del material. Esta parte especial de Tokamic representa 15 mosaicos cerca de la parte inferior de la máquina, la parte del sistema de la ruta de la máquina que será más holgada.
Para crear tal imitación, los investigadores crean lo que llaman Shadow Mask. La máscara de sombra tiene mapas 3D de sombra magnética, que son áreas específicas en la superficie de los componentes internos del sistema de fusión que se rescatan directamente del calor. La posición de estas sombras depende de la forma de las piezas dentro del tóxico y de cómo interactúan con las líneas de campo magnético que limitan el plasma.
Sistemas de fusión para mejorar los métodos de trabajo
De hecho, un programa de computadora de código abierto llamado HAT, o Kit de peaje de análisis de ingeniería de Flox Flox, calculó estas máscaras de sombra. El Heat fue desarrollado por el gerente de CFS, Tom Loubi, durante su trabajo de doctorado con Matt Renke, quien ahora es el líder del equipo de diagnóstico de Spark, y previamente se aplicó a la máquina experimentada de Experiencia Croática de Croatic Tour de la PPPL para la máquina de actualización.
El calor ML detecta las líneas de campo magnético desde la superficie de un componente para averiguar si la línea conecta las otras partes internas de Tokamic. Si esto sucede, la región está marcada como una “sombra”. Sin embargo, rastrear estas líneas y descubrir dónde conectan la geometría detallada de la máquina 3D entre sí fue un obstáculo importante para este proceso. Puede tomar 30 minutos de la misma imitación y algunas geometría complejas pueden llevar más tiempo.
Heat-ML supera la barrera, que acelera el cálculo por unos pocos millones. Utiliza una red nerviosa profunda: un tipo de IA que oculta las capas de operaciones matemáticas y parámetros que se aplican a los datos para aprender a encontrar una tarea particular buscando muestras. La red de nervios profundos del Heat-ML se entrenó utilizando una base de datos de aproximadamente 1,000 impresiones de chispa para aprender a calcular la máscara de sombra.
HAT-ML está actualmente conectado al diseño específico del sistema de vía Spark. Solo funciona para esta pequeña parte de este tóxico en particular y tiene una configuración opcional en el código de calor. Sin embargo, el equipo de investigación espera mejorar sus capacidades para normalizar el cálculo de la máscara de sombra para cualquier sistema de forma y tamaño, así como los componentes restantes que enfrentan el plasma dentro de Tokamik.
El DOE respaldó el trabajo bajo los contratos DE-AC02-09CH11466 y el DE-AC05-00OR22725, y también recibió el apoyo del CFS.
