پیش‌بینی گرمایش پلاسما هسته‌ای با اصلاح کد ۱۰ میلیون بار سریع‌تر شد

پژوهشگران مدل‌های هوش مصنوعی جدیدی را توسعه داده‌اند که می‌تواند به طور قابل توجهی پیش‌بینی گرمایش پلاسما در آزمایش‌های هم‌جوشی را بهبود بخشد. برای زمینه، درک و کنترل پلاسما برای دستیابی به انرژی هم‌جوشی که منبعی پاک و فراوان است، حیاتی است.

این مدل‌های جدید هوش مصنوعی قادر به افزایش سرعت پیش‌بینی به میزان شگفت‌انگیز ۱۰ میلیون بار هستند. علاوه بر این، آن‌ها نتایج دقیقی فراهم می‌کنند حتی در سناریوهایی که کدهای کامپیوتری سنتی شکست می‌خورند.

«با هوش ما، می‌توانیم هوش مصنوعی را تربیت کنیم تا حتی فراتر از محدودیت‌های مدل‌های عددی موجود پیش برود»، گفت آلوارو سانچز ویلار، نویسنده اصلی و فیزیک‌دان پژوهشی در آزمایشگاه فیزیک پلاسمای پرینستون دپارتمان انرژی ایالات متحده.

شناسایی و رفع ناهنجاری‌ها

مدل‌های هوش مصنوعی با داده‌های تولید شده توسط یک کد کامپیوتری آموزش داده شدند. در برخی سناریوها، کدهای عددی استفاده شده برای پیش‌بینی گرمایش پلاسما نتایج غیرمعمولی دادند که به عنوان نمونه‌های بی‌قاعده شناخته می‌شوند. این نمونه‌های بی‌قاعده می‌توانند به عنوان افزایش‌های غیرطبیعی در پروفایل‌های گرمایشی که با رفتار فیزیکی مورد انتظار همخوانی ندارند، توصیف شوند.

«ما یک رژیم پارامتری را مشاهده کردیم که در آن پروفایل‌های گرمایشی دارای افزایش‌های اجتناب‌ناپذیری در مکان‌های نسبتاً دلخواهی بودند»، هایلایت کرد سانچز ویلار. «هیچ چیز فیزیکی برای توضیح این افزایش‌ها وجود نداشت.»

با این حال، مدل‌های هوش مصنوعی موفق به شناسایی این نمونه‌های بی‌قاعده شدند و حتی وقتی کدهای اصلی با محدودیت‌هایی روبرو بودند، دقت پیش‌بینی را حفظ کردند. با حذف این نقاط داده مشکلی، تیم توانست هوش مصنوعی را برای پیش‌بینی دقیق فیزیک دخیل تربیت کند.

«ما مدل خود را با حذف افزایش‌ها در مجموعه داده آموزشی، جهت داده‌ایم و هنوز هم توانستیم فیزیک را پیش‌بینی کنیم»، نویسنده افزود.

اصلاح مدل عددی

پس از یک تحقیق کامل، تیم مشاهده کرد که مدل عددی آن‌ها محدودیتی داشته است.

«ما تحلیل‌های اکتشافی هر پایگاه داده TORIC را انجام داده و مواردی که از رفتار هدف پیروی نمی‌کنند را شناسایی و طبقه‌بندی می‌کنیم، که به طور کلی به عنوان نمونه‌های بی‌قاعده شناخته می‌شوند و به ما امکان انتخاب می‌دهد که آیا باید در آموزش جانشین شوند یا نه»، تیم پژوهشی در مطالعه نیز اظهار نظر کرد.

سپس، آنها نسخه اصلاح شده از کد را اجرا کردند تا با آن ناهنجاری‌ها که به نمایش افزایش‌های تصادفی در آمد، مقابله کنند.

پژوهشگران گزارش دادند که نه تنها راه‌حل‌ها در همه موارد مشکل‌دار از افزایش عاری بودند، بلکه به طور شگفت‌انگیزی این راه‌حل‌ها با پیش‌بینی‌های یکی از مدل‌های یادگیری ماشین چند ماه پیش حتی در سناریوهای بحرانی نمونه‌های بی‌قاعده، تقریباً تطابق کامل داشتند.

کارایی و اثربخشی

در مورد کارایی و اثربخشی این مدل‌ها، سانچز ویلار اظهار داشت که این پیاده‌سازی هوش مصنوعی تا حدودی معادل اصلاح کد اصلی بود.

«مدل ها همچنین زمان محاسبات برای گرمایش ICRF را بهبود بخشیدند. این زمان‌ها از حدود ۶۰ ثانیه به ۲ میکروثانیه کاهش یافتند، امکان شبیه‌سازی‌های سریع‌تر را بدون تاثیر قابل توجهی بر دقت فراهم کردند»، در بیانیه خبری تاکید شد.

این تحقیق آثار گسترده‌ای دارد. توانایی پیش‌بینی سریع و دقیق گرمایش پلاسما به دانشمندان اجازه می‌دهد رفتار پلاسمایی را بهتر درک و کنترل کنند که در راکتورها ی هم‌جوشی استفاده می‌شود. این نهایتاً توسعه انرژی هم‌جوشی به عنوان یک منبع قدرت پاک و پایدار را تسریع خواهد کرد.

«با استفاده هوشمندانه، هوش مصنوعی می‌تواند به ما کمک کند تا مشکلات را نه تنها سریع‌تر بلکه بهتر از قبل حل کنیم و از محدودیت‌های انسانی خود فراتر برویم»، سانچز ویلار نتیجه‌گیری کرد.