Ускорение науки о термоядерном синтезе за счет изучения управления плазмой | GPTMain News

Успешное управление плазмой ядерного синтеза в токамаке с помощью глубокого обучения с подкреплением

Чтобы решить глобальный энергетический кризис, исследователи давно искали источник чистой, безграничной энергии. Ядерный синтез, реакция, питающая звезды во Вселенной, является одним из претендентов. Разбивая и сплавляя водород, обычный элемент морской воды, мощный процесс высвобождает огромное количество энергии. Здесь, на Земле, ученые воссоздали эти экстремальные условия с помощью токамака, вакуума в форме пончика, окруженного магнитными катушками, который используется для содержания плазмы водорода, которая горячее, чем ядро ​​Солнца. Однако плазма в этих машинах по своей природе нестабильна, что делает поддержание процесса, необходимого для ядерного синтеза, сложной задачей. Например, система управления должна координировать множество магнитных катушек токамака и регулировать напряжение на них тысячи раз в секунду, чтобы гарантировать, что плазма никогда не коснется стенок сосуда, что может привести к потере тепла и, возможно, к повреждению. Чтобы помочь решить эту проблему и в рамках миссии DeepMind по развитию науки, мы сотрудничали со Швейцарским центром плазмы в EPFL, чтобы разработать первую систему глубокого обучения с подкреплением (RL), чтобы автономно узнать, как управлять этими катушками и успешно удерживать плазму в токамак, открывающий новые возможности для продвижения исследований ядерного синтеза.

В статье, опубликованной сегодня в журнале Nature, мы описываем, как мы можем успешно управлять плазмой ядерного синтеза, создавая и запуская контроллеры на токамаке переменной конфигурации (TCV) в Лозанне, Швейцария. Используя архитектуру обучения, которая сочетает в себе глубокое RL и симулированную среду, мы создали контроллеры, которые могут поддерживать стабильность плазмы и использоваться для точного придания ей различных форм. Эта «лепка плазмы» показывает, что система RL успешно контролировала перегретое вещество и, что важно, позволяет ученым исследовать, как плазма реагирует в различных условиях, улучшая наше понимание термоядерных реакторов.

«За последние два года DeepMind продемонстрировал потенциал ИИ для ускорения научного прогресса и открытия совершенно новых направлений исследований в области биологии, химии, математики, а теперь и физики».
Демис Хассабис, соучредитель и генеральный директор DeepMind

Эта работа — еще один яркий пример того, как машинное обучение и экспертные сообщества могут объединиться для решения грандиозных задач и ускорения научных открытий. Наша команда усердно работает, применяя этот подход в таких разнообразных областях, как квантовая химия, чистая математика, дизайн материалов, прогнозирование погоды и т. д., чтобы решать фундаментальные проблемы и обеспечивать, чтобы ИИ приносил пользу человечеству.

Фотографии токамака переменной конфигурации (TCV) в EPFL, вид снаружи (слева, кредит: SPC/EPFL) и изнутри (справа, кредит: Alain Herzog / EPFL), а также 3D-модель TCV с сосудом и управляющими катушками (в центре, кредит : DeepMind и SPC/EPFL)

Обучение, когда данные трудно получить

Исследования в области ядерного синтеза в настоящее время ограничены возможностями исследователей проводить эксперименты. Хотя по всему миру существуют десятки действующих токамаков, они дороги и пользуются большим спросом. Например, TCV может поддерживать плазму в одном эксперименте только до трех секунд, после чего ему требуется 15 минут для охлаждения и сброса перед следующей попыткой. Мало того, несколько исследовательских групп часто совместно используют токамак, что еще больше ограничивает время, доступное для экспериментов.

Учитывая текущие препятствия для доступа к токамаку, исследователи обратились к симуляторам, чтобы помочь продвинуть исследования. Например, наши партнеры из EPFL создали мощный набор инструментов для моделирования динамики токамаков. Мы смогли использовать их, чтобы позволить нашей системе RL научиться управлять TCV в моделировании, а затем проверить наши результаты на реальном TCV, показав, что мы можем успешно придавать плазме желаемую форму. Хотя это более дешевый и удобный способ обучения наших контроллеров; нам еще предстояло преодолеть множество барьеров. Например, симуляторы плазмы работают медленно и требуют много часов компьютерного времени для имитации одной секунды реального времени. Кроме того, состояние TCV может меняться изо дня в день, что требует от нас разработки алгоритмических улучшений, как физических, так и смоделированных, и адаптации к аппаратным реалиям.

Успех благодаря простоте и гибкости

Существующие системы управления плазмой сложны и требуют отдельных контроллеров для каждой из 19 магнитных катушек TCV. Каждый контроллер использует алгоритмы для оценки свойств плазмы в режиме реального времени и соответствующей регулировки напряжения магнитов. Напротив, наша архитектура использует единую нейронную сеть для одновременного управления всеми катушками, автоматически определяя, какие напряжения лучше всего подходят для достижения конфигурации плазмы непосредственно с датчиков.

В качестве демонстрации мы сначала показали, что можем управлять многими аспектами плазмы с помощью одного контроллера.

Контроллер, обученный с помощью глубокого обучения с подкреплением, управляет плазмой через несколько этапов эксперимента. Слева вид изнутри токамака во время эксперимента. Справа вы можете видеть реконструированную форму плазмы и целевые точки, которые мы хотели поразить. (кредит: DeepMind и SPC/EPFL)

На видео выше мы видим плазму в верхней части TCV в тот момент, когда наша система берет на себя управление. Наш контроллер сначала формирует плазму в соответствии с запрошенной формой, затем сдвигает плазму вниз и отделяет ее от стенок, подвешивая посередине сосуда на двух ножках. Плазма удерживается неподвижно, что необходимо для измерения свойств плазмы. Затем, наконец, плазма направляется обратно в верхнюю часть сосуда и безопасно уничтожается.

Затем мы создали ряд форм плазмы, которые изучались физиками плазмы на предмет их полезности для производства энергии. Например, мы сделали форму «снежинки» с множеством «ножек», что могло помочь снизить стоимость охлаждения за счет распределения энергии выхлопа по разным точкам контакта на стенках сосуда. Мы также продемонстрировали форму, близкую к предложению для ИТЭР, строящегося токамака следующего поколения, поскольку EPFL проводила эксперименты по предсказанию поведения плазмы в ИТЭР. Мы даже сделали то, чего никогда раньше не делали в TCV, стабилизировав «каплю», в которой одновременно находятся две плазмы внутри сосуда. Наша единая система смогла найти контроллеры для всех этих различных условий. Мы просто изменили запрошенную нами цель, и наш алгоритм самостоятельно нашел подходящий контроллер.

Мы успешно создали ряд форм, свойства которых изучаются физиками плазмы. (кредит: DeepMind и SPC/EPFL)
Будущее синтеза и не только

Подобно прогрессу, который мы наблюдали при применении ИИ в других научных областях, наша успешная демонстрация управления токамаком демонстрирует способность ИИ ускорять и помогать науке о термоядерном синтезе, и мы ожидаем, что в будущем использование ИИ будет становиться все более изощренным. Эта возможность автономного создания контроллеров может быть использована для разработки новых типов токамаков с одновременным проектированием их контроллеров. Наша работа также указывает на светлое будущее обучения с подкреплением в управлении сложными машинами. Особенно интересно рассматривать области, в которых ИИ может расширить человеческий опыт, выступая в качестве инструмента для открытия новых и творческих подходов к решению сложных реальных проблем. Мы прогнозируем, что в ближайшие годы обучение с подкреплением станет преобразующей технологией для промышленных и научных приложений управления, начиная от энергоэффективности и заканчивая персонализированной медициной.

Последние статьи

Related articles

ОСТАВЬТЕ ОТВЕТ

Пожалуйста, введите ваш комментарий!
пожалуйста, введите ваше имя здесь

hentai lou nicehentai.com ahegeo hentai pron v bigztube.mobi kannada school girl sex videos sxsi com pornoko.net indian porn xnxx.com سكس.جماعي pornigh.com سكس لوسي bangali sex in kompoz2.com ganapa kannada movie songs
سكس مع المعلمة matureporni.com سكس كس مفتوح desi clip.com foxporns.info girls sexy pictures хентай манга hentaitale.net hentai zombie girl little sister doujin justhentaiporn.com kasumi tendo hentai افلام جيانا مايكلز gratisfucktube.com foto sex
desi gay porn vedio momyporn.mobi nepali x video مدام شرموطه freetube18x.com ايناس الدغيدي سكس tony tony chopper hentai hentaimangaz.com naruto new hentai manga الكس والزبر pornarabic.net احلى بزاز ميلفاية arabgrid.net فلم\سكس