Trí thông minh nhân tạo giúp đẩy nhanh tiến độ đối với phản ứng nhiệt hạch hiệu quả

Anonim

Trước khi các nhà khoa học có thể nắm bắt và triển khai hiệu quả năng lượng nhiệt hạch, họ phải học cách dự đoán những gián đoạn lớn có thể ngăn chặn các phản ứng nhiệt hạch và phá hủy các bức tường của các thiết bị hợp nhất hình bánh donut gọi là tokamaks. Dự đoán thời gian gián đoạn gián đoạn, sự mất kiểm soát đột ngột của plasma nóng, tích điện khiến nhiên liệu phản ứng, sẽ rất quan trọng để kích hoạt các bước tránh hoặc giảm thiểu các sự kiện quy mô lớn như vậy.

Ngày nay, các nhà nghiên cứu tại Phòng thí nghiệm Vật lý Plasma (DOPL) của Bộ Năng lượng Hoa Kỳ (PPPL) và Đại học Princeton đang sử dụng trí tuệ nhân tạo để cải thiện khả năng tiên đoán. Các nhà nghiên cứu dẫn đầu bởi William Tang, một nhà vật lý PPPL và một giảng viên với cấp bậc và danh hiệu giáo sư tại Đại học Princeton, đang phát triển mã cho các dự đoán cho ITER, thí nghiệm quốc tế đang được xây dựng ở Pháp để chứng minh tính thực tiễn của năng lượng nhiệt hạch.

Hình thức "học sâu"

Phần mềm tiên đoán mới, được gọi là mã gián tiếp mạng tái sinh (FRNN), là một dạng "học sâu" —một phiên bản mới hơn và mạnh mẽ hơn của phần mềm học máy hiện đại, một ứng dụng trí thông minh nhân tạo. "Học tập sâu đại diện cho một con đường mới thú vị hướng tới dự đoán của sự gián đoạn", Tang nói. "Khả năng này hiện có thể xử lý dữ liệu đa chiều".

FRNN là một kiến ​​trúc học tập sâu sắc đã được chứng minh là cách tốt nhất để phân tích dữ liệu tuần tự với các mẫu tầm xa. Các thành viên của nhóm nghiên cứu máy tính của PPPL và Đại học Princeton là những người đầu tiên áp dụng một cách có hệ thống một phương pháp học tập sâu sắc cho vấn đề dự báo gián đoạn trong các plasma tổng hợp tokamak.

Kiến trúc sư trưởng của FRNN là Julian Kates-Harbeck, một sinh viên tốt nghiệp tại Đại học Harvard và một Văn phòng DOE-Science of Science Computational Graduate. Dựa trên kiến ​​thức chuyên môn đã đạt được trong khi kiếm được bằng thạc sĩ về khoa học máy tính tại Đại học Stanford, ông đã lãnh đạo việc xây dựng phần mềm FRNN.

Dự đoán chính xác hơn

Sử dụng phương pháp này, nhóm nghiên cứu đã chứng minh khả năng dự đoán các sự kiện gây rối chính xác hơn các phương pháp trước đây đã thực hiện. Bằng cách rút ra từ cơ sở dữ liệu khổng lồ tại cơ sở Joint European Torus (JET) đặt tại Vương quốc Anh - tokamak lớn nhất và mạnh nhất trong hoạt động - các nhà nghiên cứu đã cải thiện đáng kể khi dự đoán sự gián đoạn và giảm số lượng báo động dương tính giả. EUROfusion, Liên minh châu Âu về Phát triển Năng lượng Fusion, quản lý nghiên cứu của JET.

Bây giờ, nhóm nghiên cứu nhắm đến mục tiêu đầy thách thức mà ITER sẽ yêu cầu. Chúng bao gồm sản xuất 95 phần trăm dự đoán chính xác khi sự gián đoạn xảy ra, trong khi cung cấp ít hơn 3 phần trăm báo động sai khi không có sự gián đoạn. "Trên các bộ dữ liệu thử nghiệm được kiểm tra, FRNN đã cải thiện đường cong để dự đoán dương tính thực trong khi giảm dương tính giả", Eliot Feibush, một nhà khoa học tính toán tại PPPL, nói đến đường cong thường được sử dụng. để đo độ chính xác của học máy. "Chúng tôi đang nỗ lực mang lại nhiều dữ liệu đào tạo hơn để làm tốt hơn nữa".

Yêu cầu cao

Quá trình này đòi hỏi khắt khe. Alexey Svyatkovskiy, một nhà nghiên cứu dữ liệu lớn của Đại học Princeton cho biết: “Đào tạo mạng thần kinh sâu là một nhiệm vụ chuyên sâu về tính toán đòi hỏi sự tham gia của phần cứng máy tính hiệu năng cao”. Đó là lý do tại sao một phần lớn những gì chúng tôi làm là phát triển và phân phối các thuật toán mới trên nhiều bộ vi xử lý để đạt được tính toán song song hiệu quả cao. "

Mã học tập sâu chạy trên các đơn vị xử lý đồ họa (GPU) có thể tính toán hàng nghìn bản sao của một chương trình cùng một lúc, nhiều hơn các đơn vị xử lý trung tâm cũ (CPU). Các thử nghiệm được thực hiện trên các cụm GPU hiện đại, và trên các máy móc đẳng cấp thế giới như Titan, hiện là siêu máy tính nhanh nhất và mạnh nhất của Mỹ tại Oak Ridge Leadership Computing Facility, Văn phòng Cơ sở Người dùng Khoa học DOE tại Phòng thí nghiệm Quốc gia Oak Ridge. mở rộng. Việc mở rộng quy mô như vậy làm giảm thời gian chạy tính toán theo tỷ lệ trực tiếp với số lượng GPU được sử dụng - một yêu cầu chính để xử lý song song hiệu quả.

Cụm hổ của Princeton

Nhóm Tiger hiện đại của trường đại học Princeton là những người đầu tiên tiến hành các bài kiểm tra học tập sâu, sử dụng FRNN để chứng minh khả năng cải thiện để dự đoán sự gián đoạn nhiệt hạch. Mã này kể từ khi chạy trên Titan và các cụm GPU siêu máy tính hàng đầu khác tại Hoa Kỳ, Châu Âu và Châu Á, và tiếp tục cho thấy khả năng mở rộng tuyệt vời với số lượng GPU tham gia.

Trong tương lai, các nhà nghiên cứu tìm cách chứng minh rằng phần mềm tiên đoán mạnh mẽ này có thể chạy trên các tokamaks trên toàn thế giới và cuối cùng là trên ITER. Cũng có kế hoạch tăng cường tốc độ phân tích gián đoạn cho các kích thước vấn đề ngày càng tăng liên quan đến các tập dữ liệu lớn hơn trước khi bắt đầu một sự kiện gây rối. Hỗ trợ cho dự án này chủ yếu được cập nhật từ các quỹ Nghiên cứu và Phát triển được Phòng thí nghiệm do PPPL cung cấp.

menu
menu