Kutatás

Mesterséges intelligencia segítheti a magfúziós gyújtás előrejelzését és a kísérletek hatékonyságát

A Lawrence Livermore Nemzeti Laboratórium kutatói új mélytanulási modellt fejlesztettek ki, amely sikeresen megjósolta, hogy a National Ignition Facility három évvel ezelőtti fúziós kísérlete eléri a gyújtást.

A magfúzió, amely könnyű hidrogénatomok egyesítésével hatalmas mennyiségű energiát szabadít fel, hosszú távon ígéretes alternatívát jelent a jelenlegi maghasadásra épülő erőművek helyett. A Nemzetközi Atomenergia Ügynökség szerint a fúzió üzemanyagként kilogrammonként körülbelül négyszer több energiát termelhet, mint a maghasadás, és közel négymilliószor többet, mint az olaj vagy a szén elégetése. Ugyanakkor a fúziós technológiák még kísérleti stádiumban vannak, és a folyamatok optimalizálása hatalmas számítástechnikai erőforrást igényel.

A Lawrence Livermore Nemzeti Laboratórium (Lawrence Livermore National Laboratory) kutatói új mélytanulási modellt fejlesztettek, amely képes volt előre jelezni, hogy a National Ignition Facility (NIF) három évvel ezelőtti fúziós kísérlete eléri a gyújtást. A csoport beszámolója szerint a modell több paramétert vett figyelembe és nagyobb pontossággal működött, mint a hagyományos, szuperszámítógépeken futó szimulációs módszerek.

Miért volt nehéz eddig előre jelezni a gyújtást?

A NIF évente csak néhány tucat gyújtási kísérletet tud végrehajtani; emiatt minden egyes próbálkozás rendkívül értékes és költséges. A hagyományos számítógépes szimulációk gyakran napokig futnak, és sokszor egyszerűsítéseket tartalmaznak, amelyek csökkentik a predikciók pontosságát. Ez megnehezíti a döntést arról, hogy egy adott napon mely kísérletet érdemes végrehajtani, és milyen beállításokkal.

Kelli Humbird, a Science folyóiratban megjelent tanulmány társszerzője hasonlattal írta le a helyzetet: a nukleáris fúzió elérése olyan, „mint egy magas, feltérképezetlen hegy megmászása”, ahol a számítógépes szimulációk csak tökéletlen térképet adnak a kutatóknak.

Hogyan dolgoztak a kutatók?

Humbird csapata összeállított egy átfogó adathalmazt, amely tartalmazta korábban gyűjtött NIF-adatokat, nagy pontosságú fizikai szimulációkat és szakértői ismereteket. Ezen az integrált adatkészleten képezték a mesterséges intelligenciát, majd a modellt a NIF 2022-es magfúziós kísérletén tesztelték. A modell sikerét az magyarázza, hogy képes volt elfogadni és lemásolni a való világ tökéletlenségeit és problémáit, nem csak idealizált szimulációkat követni.

Mit jelent ez a jövőre nézve?

A kutatók szerint az eredmény korszakváltó lehet a tiszta energia kutatásában: egy hatékony előrejelző eszköz megkönnyítheti a kísérletek tervezését, csökkentheti a szükségtelen próbálkozásokat, és gyorsíthatja a gyakorlati fúziós energia felé vezető utat. Mivel a NIF-kísérletek száma korlátozott és költséges, a megbízhatóbb predikciók közvetlen gazdasági és tudományos haszonnal járhatnak.

A tanulmány részleteit és a módszer pontos működését a kutatók a Science folyóiratban publikálták; a fejlesztés további felhasználása és szélesebb körű alkalmazása azonban további vizsgálatokat és validálást igényel.