IA prestes a desenvolver energia de fusão ilimitada

SoCientífica

A inteligência artificial (IA), um ramo da ciência da computação que está transformando a pesquisa científica e a indústria, agora pode acelerar o desenvolvimento de energia de fusão segura, limpa e praticamente ilimitada para gerar eletricidade.

Um passo importante nessa direção está em andamento no Laboratório de Física de Plasma do Departamento de Energia dos EUA (DOP) e na Universidade de Princeton, onde uma equipe de cientistas trabalhando com um estudante de Harvard está aplicando, pela primeira vez, a poderosa nova versão da forma de aprendizado de máquina da inteligência artificial – para prever interrupções repentinas que podem deter as reações de fusão e danificar os tokamaks em forma de anel que abrigam as reações.

Novo capítulo promissor na pesquisa de fusão

“Esta pesquisa abre um novo capítulo promissor no esforço para trazer energia ilimitada para a Terra”, disse Steve Cowley, diretor do PPPL, sobre as descobertas, publicadas na edição atual da revista Nature. “A inteligência artificial está explodindo nas ciências e agora está começando a contribuir para a busca mundial pelo poder da fusão.”

A fusão, que impulsiona o sol e as estrelas, é a fusão de elementos leves na forma de plasma – o estado quente e carregado de matéria composto de elétrons livres e núcleos atômicos – que gera energia. Os cientistas estão tentando replicar a fusão na Terra para um suprimento abundante de energia.

Crucial para demonstrar a capacidade da aprendizagem profunda de prever rupturas – a súbita perda de confinamento de partículas de plasma e energia – tem sido o acesso a enormes bancos de dados fornecidos por duas grandes instalações de fusão: a Fábrica Nacional de Fusão DIII-D que a General Atomics opera para o DOE na Califórnia, a maior instalação nos Estados Unidos, e o Joint European Torus (JET) no Reino Unido, a maior instalação do mundo, administrada pela EUROFusion, o Consórcio Europeu para o Desenvolvimento da Energia de Fusão. O apoio de cientistas do JET e DIII-D foi essencial para este trabalho.

Os vastos bancos de dados permitiram previsões confiáveis ​​de interrupções em tokamaks diferentes daqueles em que o sistema foi treinado – neste caso, do menor DIII-D para o JET maior. A conquista é um bom presságio para a previsão de interrupções no ITER, um tokamak muito maior e mais poderoso que terá que aplicar as capacidades aprendidas nas instalações de fusão atuais.
O código de aprendizado profundo, chamado de Rede Neural Recorrente de Fusão (FRNN), também abre caminhos possíveis para controlar e prever interrupções.

Limitless Fusion Energy
Foto de câmera rápida de um plasma produzido pela primeira campanha de operações NSTX-U.

Área mais intrigante do crescimento científico

“A inteligência artificial é a área mais intrigante do crescimento científico no momento, e casar com a ciência da fusão é muito emocionante”, disse Bill Tang, principal físico pesquisador do PPPL, coautor do artigo e conferencista com o título e título de professor. no Departamento de Ciências Astrofísicas da Universidade de Princeton, que supervisiona o projeto de IA. “Aceleramos a capacidade de prever com alta precisão o desafio mais perigoso para limpar a energia de fusão.”

Ao contrário do software tradicional, que executa instruções prescritas, o “aprendizado profundo” aprende e evolui com seus erros. Para atingir o objetivo são utilizadas as redes neurais, camadas de nós interconectados – algoritmos matemáticos – que são “parametrizados” ou ponderados pelo programa para moldar a saída desejada. Para qualquer entrada, os nós buscam produzir uma saída específica, como a identificação correta de uma face ou previsões precisas de uma interrupção. O treinamento entra em ação quando um nó não consegue realizar essa tarefa: os pesos se ajustam automaticamente para dados novos até que a saída correta seja obtida.

Uma característica fundamental da aprendizagem profunda é sua capacidade de capturar dados de alta dimensão em vez de unidimensionais. Por exemplo, enquanto um software de aprendizado não profundo pode considerar a temperatura de um plasma em um único ponto no tempo, o FRNN considera os perfis de temperatura que se desenvolvem no tempo e no espaço. “A capacidade dos métodos de aprendizagem profunda de aprender com dados tão complexos os torna candidatos ideais para a tarefa de previsão de interrupções”, disse o colaborador Julian Kates-Harbeck, estudante de graduação em física da Universidade de Harvard e graduado em Ciência da Computação que foi o principal autor do artigo da Nature e arquiteto-chefe do código.

O treinamento e a execução de redes neurais dependem de unidades de processamento gráfico (GPUs), chips de computador projetados inicialmente para renderizar imagens 3D. Esses chips são ideais para a execução de aplicativos de aprendizado profundo e são amplamente usados ​​pelas empresas para produzir recursos de IA, como entender a linguagem falada e observar as condições da estrada por carros autônomos.

Kates-Harbeck treinou o código FRNN em mais de dois terabytes (1012) dos dados coletados do JET e do DIII-D. Depois de executar o software no GPU  da Universidade de Princeton, a equipe colocou-o no Titan, um supercomputador da Oak Ridge Leadership Computing Facility, uma instalação do User Office of Science do DOE e outras máquinas de alto desempenho.

Uma tarefa exigente

Distribuir a rede em vários computadores era uma tarefa exigente. “O treinamento de redes neurais profundas é um problema computacionalmente intenso que requer o engajamento de clusters de computação de alto desempenho”, disse Alexey Svyatkovskiy, coautor do artigo da Nature que ajudou a converter os algoritmos em um código de produção e agora está na Microsoft. “Colocamos uma cópia de toda a nossa rede neural em vários processadores para obter um processamento paralelo e altamente eficiente”, disse ele.

O software demonstrou ainda a sua capacidade de prever rupturas verdadeiras dentro do período de 30 milissegundos requerido pelo ITER, reduzindo simultaneamente o número de falsos alarmes. O código agora está se aproximando do requisito ITER de 95% de previsões corretas com menos de 3% de alarmes falsos. Embora os pesquisadores digam que apenas operações experimentais ao vivo podem demonstrar os méritos de qualquer método preditivo, seu documento observa que os grandes bancos de dados de arquivos usados ​​nas previsões “cobrem uma ampla gama de cenários operacionais e, assim, fornecem evidências significativas quanto aos pontos fortes relativos e os métodos considerados neste artigo ”.

Da predição ao controle

O próximo passo será passar da previsão para o controle de rupturas. “Em vez de prever interrupções no último momento e depois mitigá-las, seria ideal usar modelos futuros de aprendizado profundo para afastar o plasma das regiões de instabilidade com o objetivo de evitar a maioria das interrupções”, disse Kates-Harbeck. Destacando o próximo passo, está Michael Zarnstorff, científico do laboratório. “O controle será essencial para os tokamaks pós-ITER – em que a prevenção de rupturas será um requisito essencial”, observou Zarnstorff.

Progredir de previsões precisas habilitadas por IA para controle realístico do plasma exigirá mais de uma disciplina. “Vamos combinar o aprendizado profundo com a física básica, de primeiro princípio, em computadores de alto desempenho para concentrar-nos em mecanismos de controle realistas na queima de plasmas”, disse Tang. “Por controle, significa saber quais ‘botões girar’ em um tokamak para alterar as condições para evitar interrupções. Isso está em nosso alcance e é para onde estamos caminhado.

O apoio a este trabalho vem do Programa de Bolsas de Pós-Graduação em Ciência da Computação em Energia do Departamento de Ciência e Administração Nacional de Segurança Nuclear do DOE; do Instituto de Ciência e Engenharia Computacional da Universidade de Princeton (PICsiE); e de fundos de Pesquisa e Desenvolvimento Direcionados pelo Laboratório que o PPPL fornece. Os autores desejam agradecer a assistência com supercomputação de alto desempenho de Bill Wichser e Curt Hillegas no PICSciE; Jack Wells na instalação de computação de liderança de Oak Ridge; Satoshi Matsuoka e Rio Yokata no Instituto de Tecnologia de Tóquio; e Tom Gibbs na NVIDIA Corp.

FONTE: Artificial Intelligence Accelerates Development of Limitless Fusion Energy [SciTechDaily]

Compartilhar