Μια νέα εφαρμογή τεχνητής νοημοσύνης αλλάζει τα δεδομένα σε έναν από τους πιο απαιτητικούς τομείς της επιστήμης: την επίτευξη πυρηνικής σύντηξης. Ερευνητές στο Lawrence Livermore National Laboratory (LLNL) στις ΗΠΑ ανακοίνωσαν ότι το μοντέλο βαθιάς μάθησης που ανέπτυξαν κατάφερε να προβλέψει με εντυπωσιακή ακρίβεια την επιτυχία μιας από τις πιο σημαντικές δοκιμές στο National Ignition Facility (NIF) το 2022.
Η πρόβλεψη δεν ήταν τυχαία. Το μοντέλο είχε εκτιμήσει ότι υπήρχε 74% πιθανότητα να επιτευχθεί «ανάφλεξη» — η στιγμή που η σύντηξη παράγει περισσότερη ενέργεια από όση καταναλώνεται για να ξεκινήσει η διαδικασία. Αυτό το ποσοστό ξεπερνά τις δυνατότητες των παραδοσιακών μεθόδων υπερυπολογιστών, καθώς καλύπτει περισσότερες παραμέτρους με μεγαλύτερη ακρίβεια.
Η επικεφαλής της Cognitive Simulation Group στο NIF, Kelli Humbird, εξηγεί ότι το σημαντικότερο πλεονέκτημα του μοντέλου είναι η δυνατότητα να καθοδηγεί τον σχεδιασμό μελλοντικών πειραμάτων, αυξάνοντας κάθε φορά τις πιθανότητες επιτυχίας. Όπως σημειώνει, ακόμη και ένα κέντρο όπως το NIF μπορεί να πραγματοποιήσει μόνο λίγες δεκάδες τέτοιες προσπάθειες ανά έτος, γεγονός που καθιστά κάθε δοκιμή πολύτιμη και δαπανηρή.
Σήμερα, η παραγωγή πυρηνικής ενέργειας βασίζεται στη σχάση, δηλαδή στη διάσπαση βαρέων ατόμων όπως το ουράνιο. Η σύντηξη, αντίθετα, συνδυάζει ελαφριά άτομα υδρογόνου —συγκεκριμένα ισότοπα όπως το δευτέριο και το τρίτιο— για να απελευθερώσει τεράστια ποσά ενέργειας χωρίς τα επικίνδυνα ραδιενεργά απόβλητα της σχάσης. Αν καταστεί εμπορικά βιώσιμη, θα μπορούσε να αποτελέσει καθοριστικό βήμα προς την καθαρή, βιώσιμη ενέργεια.
Στα πειράματα του NIF, ισχυρά laser θερμαίνουν έναν χρυσό κύλινδρο, τον hohlraum, ο οποίος εκπέμπει ακτίνες Χ. Αυτές συμπιέζουν τα καύσιμα σφαιρίδια που περιέχουν δευτέριο και τρίτιο. Σε ιδανικές συνθήκες, η συμπίεση προκαλεί αλυσιδωτές αντιδράσεις σύντηξης που απελευθερώνουν περισσότερη ενέργεια από την κατανάλωση των laser.
Ωστόσο, οι υπολογιστικές προσομοιώσεις δυσκολεύονται να προβλέψουν με ακρίβεια όλα τα φυσικά φαινόμενα της διαδικασίας. Συχνά οι κώδικες απλοποιούνται για να είναι υπολογιστικά διαχειρίσιμοι, με αποτέλεσμα να χάνεται λεπτομέρεια, ενώ η εκτέλεσή τους μπορεί να χρειαστεί μέρες. Η Humbird παρομοιάζει την πρόκληση με την προσπάθεια ανάβασης σε ένα άγνωστο βουνό με έναν ατελή χάρτη — και κάθε «ανάβαση», δηλαδή κάθε πείραμα, κοστίζει ακριβά.
Η λύση της ομάδας της ήταν να συγκεντρώσουν προηγούμενα δεδομένα από το NIF, προσομοιώσεις υψηλής ακρίβειας και γνώσεις ειδικών, δημιουργώντας μια ολοκληρωμένη βάση δεδομένων. Αυτή τροφοδότησε υπερυπολογιστές που αφιέρωσαν πάνω από 30 εκατομμύρια ώρες επεξεργασίας για στατιστική ανάλυση. Το αποτέλεσμα ήταν ένα μοντέλο που χαρτογράφησε όλους τους πιθανούς λόγους αποτυχίας: από μικρές αποκλίσεις στην εκτόξευση των laser μέχρι ατέλειες στα υλικά των στόχων.
Το νέο εργαλείο επιτρέπει στους ερευνητές να εκτιμούν εκ των προτέρων τις πιθανότητες επιτυχίας ενός πειράματος, εξοικονομώντας χρόνο και χρήμα. Στην περίπτωση του πειράματος του 2022, το μοντέλο όχι μόνο προέβλεψε σωστά την έκβαση, αλλά με βελτιώσεις στην ενσωμάτωση των φυσικών παραμέτρων αύξησε την ακρίβεια των προβλέψεων από 50% σε 70%.
Οι ερευνητές δουλεύουν πάνω στη σύντηξη εδώ και δεκαετίες. Δεν πρέπει να απογοητευόμαστε όταν δεν πετυχαίνουμε τον στόχο. Το ότι σήμερα έχουμε αποδόσεις της τάξης του 1 μεγατζάουλ αντί για 10 κιλοτζάουλ πριν λίγα χρόνια είναι τεράστια πρόοδος. Κι ελπίζουμε ότι θα είναι ένα ακόμη μεγάλο βήμα προς την καθαρή ενέργεια του μέλλοντος.
Η δύναμη του συστήματος, σύμφωνα με την Humbird, είναι ότι δέχεται και αναπαράγει τις ατέλειες του πραγματικού κόσμου, είτε αυτές προέρχονται από το σχεδιασμό, είτε από τον εξοπλισμό, είτε από απρόβλεπτα φυσικά φαινόμενα. Είναι, όπως λέει, μια υπενθύμιση ότι η πρόοδος μπορεί να είναι αργή και γεμάτη αποτυχίες, αλλά κάθε βήμα μετράει.
[via]
