Este modelo de IA prevê se os experimentos de poder de fusão funcionarão

Enquanto os chatbots da IA chamam a maior parte da atenção, o aprendizado profundo também está revolucionando silenciosamente a ciência e a engenharia. Um novo modelo de IA que pode ajudar a prever o resultado de experimentos de poder de fusão pode acelerar a chegada da tecnologia. Arevilha de fusão nuclear envolve algumas das condições mais extremas conhecidas pela natureza, o que torna incrivelmente desafiador o design e a operação de reatores de fusão. As simulações dos processos -chave normalmente exigem grandes quantidades de tempo nos supercomputadores e ainda estão longe de ser perfeitas. Mas a IA está começando a acelerar o progresso nessa área. O Google DeepMind ganhou manchetes em 2022, quando treinou um modelo de aprendizado profundo para controlar o plasma que agitou o plasma dentro de um reator de fusão. E agora, os cientistas por trás do primeiro experimento de fusão para mostrar um ganho líquido de energia revelaram que, graças à IA, eles já estavam bastante confiantes de sucesso antes de acertarem a troca. Em um novo artigo em ciências, pesquisadores do Lawrence Livermore National Laboratory descrevem que um modelo de aprendizado de máquina que eles usavam para prever um número de 74 por cento do experimento na facilidade da facilidade dos EUA na facilidade dos EUA. A equipe diz que ter um modelo de previsão preciso pode acelerar o design de novos experimentos e ajudá-los a tomar decisões sobre como atualizar o hardware. “Esse resultado demonstra uma abordagem promissora para a modelagem preditiva de experimentos com ICF e fornece uma estrutura para o desenvolvimento de modelos leves para obter outros sistemas complexos” ”, escreva os autores. O design mais popular do reator é um tokamak. Esta é uma câmara em forma de massa envolta em ímãs ultra-poderosos que contêm um plasma super aquecido no qual os átomos se fundem para gerar energia. Isso envolve disparar lasers extremamente poderosos em uma cápsula do tamanho de milímetro contendo os isótopos de hidrogênio deutério e trítio. A cápsula implodia sob pressão e faz com que os átomos de hidrogênio se fundam, gerando potência. Em 5 de dezembro de 2022, os pesquisadores da instalação dispararam um laser de 2,05 megajoule em um pellet de combustível que é que o bom que é necessário. Como é provável que eles vá – e para este experimento que fizeram. A equipe usou um novo modelo preditivo que se baseava em técnicas estatísticas avançadas e no aprendizado profundo para aprender com dados de simulação e experimental. Abordagens de soldador envolvem a criação de simulações baseadas em física e, em seguida, aprimorando-os para combinar dados de experimentos anteriores. Os pesquisadores podem fazer previsões sobre alterações de design muito pequenas usando esse método, mas os autores dizem que luta para simular com precisão modificações mais substanciais. Sua nova abordagem usa a inferência bayesiana – uma forma de análise estatística que fornece previsões probabilísticas – para analisar dados de experimentos de ignição anteriores na instalação. Isso produz um modelo de IA generativo que pode fazer previsões sobre experimentos futuros. Porque porque houve apenas um número limitado desses testes, os pesquisadores queriam complementar os dados de teste existentes com dados de simulações. No entanto, analisando diretamente as simulações usando a inferência bayesiana seria extremamente computacionalmente caro.Instead, eles treinaram uma rede neural profunda em um banco de dados de 150.000 simulações, que poderiam ser analisadas com eficiência usando inferência bayesiana. Isso resultou em um modelo generativo informado pelos conjuntos de dados experimental e de simulação que podem modelar com precisão como as alterações específicas do design afetarão o resultado de experimentos futuros. A previsão de uma probabilidade de 74 % de sucesso ainda pode parecer um pouco confusa. Mas, para colocar as coisas no contexto, os autores observam que o modelo previu apenas uma chance de 0,5 % de sucesso para o projeto experimental anterior. Esse modelo é obviamente altamente específico para o design exclusivo do configuração experimental da instalação nacional de ignição, mas os pesquisadores dizem que a abordagem ampla pode ser adaptável a outros problemas complexos onde os dados são escassos. E já está sendo usado para otimizar as decisões de design, pois os pesquisadores continuam a perseguir resultados de energia cada vez mais altos de seus experimentos de fusão.

Fonte