桑迪亚国家实验室 信用:CC0公共领域 以教授自动驾驶汽车红灯停车而闻名的机器学习技术,可能很快会帮助世界各地的研究人员改善他们对科学已知的最复杂反应——核聚变——的控制
聚变反应通常是氢原子被加热形成一种称为等离子体的气体云,当粒子相互碰撞并融合时,等离子体释放能量
更好地控制这些反应可以从未来聚变发电厂的核反应堆中产生大量的环境清洁能源
“机器学习和聚变能之间的联系并不明显,”桑迪亚国家实验室研究员艾丹·汤普森说,他是能源部科学办公室三年2美元奖金的主要研究者
每年200万英镑来建立这种联系
“简而言之,我们率先使用机器学习来改进反应器壁材料与等离子体相互作用的模拟
这已经超出了过去原子级模拟的范围
" 他说,预期的结果应该是提出程序或结构上的修改,以提高核能产量
机器学习在核聚变建模中的作用 机器学习之所以强大,是因为它使用数学和统计手段来找出一种情况,而不是分析所需类别中的每一条数据
例如,只需要少量的狗的照片就可以教会识别系统“狗性”的概念——换句话说,“这是一只狗”——而不是扫描所有现存的狗的照片
桑迪亚对核聚变的机器学习方法是一样的,但更复杂
汤普森说:“在物理上观察反应堆壁内发生的事情不是一个小问题,因为这些结构作为过热等离子体的一部分,内部受到氢、氦、氘和氚的轰击。”
他描述了环绕等离子体的成分撞击并改变了挡墙的组成,重原子从撞击的墙中脱离并改变了等离子体
反应在纳秒内发生,温度和太阳一样高
试图用试错法修改组件来改善结果是非常费力的
另一方面,机器学习算法使用计算机生成的数据,而不需要直接从实验中进行测量,并且可以产生信息,这些信息最终可以用于使等离子体与安全壳壁材料的相互作用不那么有害,从而提高聚变反应堆的总能量输出
汤普森说:“没有其他方法可以获得这些信息。”
少量的原子预示着许多原子的能量 汤普森的团队预计,通过使用极端条件下量子力学计算的大数据集作为训练数据,他们可以建立一个机器学习模型,预测任何原子配置的能量
这种被称为机器学习原子间势(MLIAP)的模型可以被插入到巨大的经典分子动力学代码中,如桑迪亚获奖的LAMMPS(大规模原子/分子大规模并行模拟器)软件
这样,通过只询问相对少量的原子,他们可以将量子力学的精度扩展到模拟聚变能材料行为所需的数百万个原子的规模
"那么,为什么我们正在做的是机器学习,而不仅仅是记录大量数据呢?"汤普森反问
“简而言之,我们从无限组可能的变量中生成方程,以建立基于物理的模型,但包含数百或数千个参数,使我们处于目标范围内
" 汤普森说,一个问题是MLIAP模型的准确性取决于训练数据和应用程序遇到的实际原子环境之间的重叠
这些环境可能是多种多样的,需要新的训练数据和机器学习模型的改变
识别和调整重叠是未来几年工作的一部分
“我们的模型首先将被用来解释小实验,”汤普森说
“相反,实验数据将用于验证我们的模型,然后可以用来预测全尺寸聚变反应堆中发生的情况
" 汤普森说,让聚变研究人员使用桑迪亚机器学习模型来建造更好的聚变反应堆的目标大约是三年
来源:由phyica.com整理转载自PH,转载请保留出处和链接!