La física nuclear puede ser una de las fronteras más recientes del aprendizaje automático.
por REBECCA SOHN
Desde la década de 1940, los físicos lo han intentado, pero nadie ha creado todavía una reacción de fusión nuclear eficiente. Mientras tanto, la inteligencia artificial y el aprendizaje automático (ML), en muchas industrias y aplicaciones, han demostrado ser bastante capaces de detectar patrones sutiles en los datos que los humanos no pueden reconocer. Entonces, ¿podrían las redes neuronales y las GPU que las alimentan ayudar en la fusión nuclear? El desafío, y es grande, sería acelerar la búsqueda mundial para controlar las inestabilidades en los plasmas calientes y, en última instancia, proporcionar una fuente de energía sostenible y libre de carbono.
“Los físicos, desarrollan modelos teóricos, escriben ecuaciones, manipulan las cosas matemáticamente”, dijo Diogo Ferreira , profesor de sistemas de información en el Instituto Superior Técnico de la Universidad de Lisboa en Portugal. “Pero hay un límite para eso”. La IA, dice, puede ayudar.
Ferreira colaboró recientemente con colegas que trabajaban en el Joint European Torus (JET) en el Reino Unido en un estudio que detallaba tres usos diferentes de la IA, el aprendizaje automático y los modelos de aprendizaje profundo para la investigación de la fusión. Ferreira entrenó sus modelos utilizando datos de diagnóstico de 48 sensores conectados al reactor JET, llamados bolómetros , que recopilan datos de potencia y radiación.
Uno de los modelos de Ferreira predice interrupciones en un plasma supercaliente. En el estudio, explica que, dependiendo de cómo se entrene, el modelo puede predecir la probabilidad de interrupción, lo que puede resultar en un plasma que se escapa del confinamiento, sacudir el equipo, reducir drásticamente la temperatura del plasma y terminar la reacción, o estimar el momento en el que ocurrirá esa interrupción.
Un segundo modelo detecta anomalías en el plasma. El modelo, capacitado solo en reacciones en las que no se produjeron interrupciones, puede reproducir estos “buenos” experimentos. Si los datos se originan en un experimento que terminó en una interrupción, el modelo puede identificar cuándo y cómo los datos divergen de los de una reacción exitosa. Los científicos podrían usar este proceso para comprender mejor lo que en última instancia conduce a interrupciones y, finalmente, para ejecutar reacciones en las que las interrupciones son menos probables.
Otra aplicación se refiere a las representaciones visuales de los patrones de radiación de plasma. Realizar cálculos directos de fuerza bruta, dice Ferriera, puede tomar 20 minutos para cada reacción. Por el contrario, otro modelo del grupo de investigación de Ferreira puede producir imágenes similares en segundos o incluso menos. Es tan rápido, dice Ferreira, que algún día podría hacerse durante un experimento en tiempo real.
Investigadores de la Universidad de Washington, incluidos Kyle Morgan y Chris Hansen, publicaron recientemente un estudio que detalla un método que utiliza el aprendizaje automático para predecir el comportamiento de un plasma. Su modelo, que utiliza una técnica estadística llamada regresión, esencialmente arroja escenarios que conducen a resultados sin sentido, lo que le permite usar menos datos, menos potencia computacional y menos tiempo. Hansen dice que aunque el modelo en el estudio no funciona lo suficientemente rápido como para usarlo durante un experimento, piensa que eventualmente podría hacerlo. Los investigadores publicaron otro estudio reciente que utilizó una sola GPU para controlar un experimento de fusión que anteriormente había requerido varias computadoras. Este tipo de sistema poderoso, dice Hansen, eventualmente podría usarse para ejecutar el modelo lo suficientemente rápido como para que sea útil durante un experimento.
Se pueden utilizar otros métodos antes o después de un experimento. En un estudio reciente , Stefano Markidis, profesor asociado de ciencias de la computación en KTH Royal Institute of Technology en Estocolmo, Suecia, junto con su colega Xavier Aguilar, crearon un modelo de aprendizaje profundo que resuelve uno de los pasos más intensivos computacionalmente para determinar información sobre un plasma, calculando su campo eléctrico. El método fue más rápido y, en algunos casos, más preciso que el método tradicional que involucra ecuaciones matemáticas complejas.
La inteligencia artificial y el aprendizaje automático no están exentos de desventajas en los sistemas de fusión nuclear. Los algoritmos de aprendizaje automático, especialmente los modelos de aprendizaje profundo, son “cajas negras”; no siempre es posible saber cómo un modelo obtiene sus resultados. Pero al trabajar con estos algoritmos, los científicos pueden obtener fragmentos de lo que ven estos modelos y aprender más sobre la física del plasma y la fusión.
“Al final del día, serán nuestras mentes las que [resolverán] el problema de la fusión”, dice. “Es solo una cuestión de las herramientas que usamos, y la inteligencia artificial y el aprendizaje automático serán una herramienta clave”.
Fuente: https://www.google.com/search?q=can-i-make-a-better-fusion-reactor