Home / AI tecnologia / Gli algoritmi di machine learning potrebbero aumentare il rendimento energetico dei reattori a fusione nucleare

Gli algoritmi di machine learning potrebbero aumentare il rendimento energetico dei reattori a fusione nucleare

I ricercatori dei Sandia National Laboratories hanno recentemente progettato algoritmi di apprendimento automatico destinati a migliorare la produzione di energia dei reattori a fusione nucleare . Il team di ricerca ha utilizzato algoritmi di intelligenza artificiale per simulare le interazioni tra plasma e materiali all’interno delle pareti di un reattore a fusione nucleare .

A differenza della fissione nucleare, che comporta la scissione degli atomi, l’energia creata dalle reazioni di fusione rilascia energia attraverso la creazione del plasma. Gli atomi di idrogeno sono surriscaldati per creare una nuvola di plasma e questa nuvola rilascia energia quando le particelle al suo interno si scontrano e si fondono insieme. Questo processo è caotico e se gli scienziati possono controllare meglio il processo di fusione, potrebbe portare a sostanziali aumenti della quantità di energia utilizzabile creata dai reattori a fusione nucleare.

I ricercatori che lavorano per risolvere questo problema devono eseguire simulazioni complesse su come le pareti della camera di un reattore nucleare interagiscono con la nuvola di plasma.

Secondo Aidan Thompson, gli algoritmi di apprendimento automatico hanno reso possibile il cracking un problema straordinariamente complesso. Thompson e altri ricercatori sono stati incaricati dal Department of Energy Office of Science di determinare come l’apprendimento automatico potrebbe migliorare la produzione di energia dei reattori a fusione nucleare. Fino ad ora non era possibile effettuare simulazioni su scala atomica di queste interazioni. Grazie all’apprendimento automatico, ora è possibile modellare i tanti piccoli cambiamenti nel plasma che si verificano quando colpisce i muri di sostegno del reattore.

Gli algoritmi di apprendimento automatico eccellono nel trovare schemi all’interno dei dati, apprendendo le varie caratteristiche che definiscono un oggetto. Poiché gli algoritmi di apprendimento automatico possono applicare modelli già visti per classificare eventi invisibili, sono stati utili per eliminare gran parte delle prove ed errori coinvolti nell’ottimizzazione del processo di fusione. Thompson ha spiegato che quando il plasma viene creato all’interno di una camera di fusione, le pareti del reattore sono costantemente colpite da particelle di elementi come elio, idrogeno e deuterio, poiché questi elementi comprendono una nuvola di plasma. Quando il plasma colpisce le pareti di contenimento del reattore, altera le pareti in piccoli modi potenzialmente critici. La composizione delle pareti stesse altera a sua volta la nuvola di plasma. Questo ciclo di reazioni si verifica approssimativamente alle stesse temperature di quelle trovate sul Sole, e durano solo nanosecondi. L’ottimizzazione di questo processo implica un accurato processo di modifica dei componenti delle pareti del reattore e quindi la misurazione diretta di come sono cambiati i risultati.

Thompson e altri ricercatori hanno deciso di sperimentare con grandi set di dati composti da calcoli di meccanica quantistica, addestrando un modello in grado di prevedere l’energia di varie configurazioni atomiche. Il risultato è stato il potenziale interatomico di apprendimento automatico (MLIAP). Gli algoritmi possono essere utilizzati per esaminare le interazioni tra un numero relativamente piccolo di atomi, aumentando il modello fino ai milioni necessari per imitare le interazioni tra i componenti del processo di fusione. Secondo Thompson, i modelli progettati dal team di ricerca richiedevano migliaia di parametri per essere utili simulazioni.

Affinché il modello rimanga utile, deve esserci una significativa sovrapposizione tra gli ambienti che si manifestano nella fusione e i dati di addestramento. Esiste un’ampia gamma di possibili ambienti di fusione, quindi i ricercatori dovranno acquisire costantemente dati e apportare modifiche al modello. Thomas ha spiegato tramite Phys.org:

“Il nostro modello all’inizio verrà utilizzato per interpretare piccoli esperimenti. Al contrario, quei dati sperimentali verranno utilizzati per convalidare il nostro modello, che può quindi essere utilizzato per fare previsioni su ciò che sta accadendo in un reattore a fusione su vasta scala “.

Gli algoritmi non sono ancora pronti per l’uso da parte dei veri ricercatori sulla fusione nucleare. Tuttavia, Thompson e il suo team di ricerca sono il primo gruppo di ricercatori a tentare di applicare l’apprendimento automatico al problema del muro di plasma. Il team spera che in pochi anni i modelli verranno utilizzati per progettare reattori a fusione migliori.

Top

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi