Încă din anii 1940, fizicienii au încercat, fără succes, să producă o reacție eficientă de fuziune nucleară. Între timp, inteligența artificială (IA) și învățarea automată (ML) s-au dovedit, în multe industrii și aplicații, destul de capabile să detecteze tipare subtile pe care oamenii nu le pot recunoaște.
„Fizicienii dezvoltă modele teoretice, scriu ecuații și manipulează lucrurile din punct de vedere matematic. Totuși, există o limită la toate acestea. Inteligența artificială poate ajuta în acest sens”, a declarat Diogo Ferreira, profesor de sisteme informaționale în cadrul Institutului Tehnic Superior al Universității din Lisabona, Portugalia.
Recent, Ferreira a colaborat cu o serie de oameni de știință, care lucrează în cadrul proiectului Joint European Torus (JET) din Marea Britanie, în cadrul unui studiu în care se detaliază trei utilizări diferite pentru IA, învățarea automată și modele de învățare profundă pentru cercetarea fuziunii. Ferreira a instruit modelele folosind date de diagnostic de la 48 de senzori conectați la reactorul JET, denumiți bolometri. Aceștia colectează date cu privire la putere și radiații.
Unul dintre modelele lui Ferreira prezice întreruperile dintr-o plasmă super-fierbinte. În cadrul studiului, el explică faptul că, în funcție de modul în care este antrenat, modelul poate fie să prezică probabilitatea întreruperii, ceea ce poate conduce la o scurgere a plasmei în spațiul de închidere, o zdruncinare a echipamentului, o reducere drastică a temperaturii plasmei și încheierea reacției, sau la estimarea momentului în care va avea loc această întrerupere.
Un al doilea model detectează anomaliile din plasmă. Antrenat doar pe reacțiile în cadrul cărora nu au avut loc perturbări, modelul poate reproduce aceste experimente „bune”. Dacă datele provin dintr-un experiment care s-a încheiat printr-o întrerupere, modelul poate identifica momentul și modul în care datele diferă de cele înregistrate în cazul reacții reușite. Oamenii de știință ar putea folosi acest proces pentru a înțelege mai bine cauzele întreruperilor și pentru a crea reacții în care perturbările sunt mai puțin probabile.
O altă aplicație se referă la reprezentările vizuale ale modelelor de radiații plasmatice. Efectuarea calculelor directe folosind forța brută poate dura câte 20 de minute pentru fiecare reacție. În schimb, un alt model propus de grupul de cercetare al lui Ferreira poate produce imagini similare în decurs de câteva secunde sau chiar mai puțin. Sistemul este atât de rapid, încât Ferreira este de părere că acesta ar putea fi eficient chiar și în timpul unui experiment real.
Recent, cercetătorii din cadrul Universității din Washington, inclusiv Kyle Morgan și Chris Hansen, au publicat un studiu în care este detaliată o metodă ce utilizează învățarea automată pentru a prezice comportamentul unei plasme. Modelul lor, care folosește o tehnică statistică denumită regresie, produce scenarii care duc la rezultate aleatorii, permițându-i să utilizeze mai puține date, o putere de calcul mai redusă și mai puțin timp. Hansen a declarat faptul că, deși, în prezent, modelul nu funcționează suficient de rapid pentru a putea fi folosit în timpul unui experiment, pe viitor, acesta ar putea fi implementat în cadrul unui reactor. Cercetătorii au publicat un alt studiu în cadrul căruia a fost folosit un procesor grafic (GPU) pentru a controla un experiment de fuziune care, anterior, necesita utilizarea mai multor computere. „Acest tip de sistem ar putea fi folosit pentru a rula modelul la viteze suficient de mari astfel încât să fie util în timpul unui experiment”, a declarat Hansen.
IA și învățarea automată nu sunt lipsite de dezavantaje. Algoritmii de învățare automată, în special modelele de învățare profundă, sunt „cutii negre”, adică determinarea modului în care modelul a ajuns la anumite rezultate nu este întotdeauna posibilă. Totuși, lucrând cu acești algoritmi, oamenii de știință pot analiza fragmente din procesele acestor modele și pot afla mai multe informații cu privire la fizica plasmei și a fuziunii.
