Die MIT-Forscher Pablo Rodriguez-Fernandez und Nathan Howard haben gerade eine der anspruchsvollsten Berechnungen in der Fusionswissenschaft abgeschlossen – die Vorhersage der Temperatur- und Dichteprofile eines magnetisch eingeschlossenen Plasmas über eine First-Principles-Simulation von Plasmaturbulenzen. Dieses Problem mit roher Gewalt zu lösen, übersteigt die Fähigkeiten selbst der fortschrittlichsten Supercomputer. Stattdessen verwendeten die Forscher eine für maschinelles Lernen entwickelte Optimierungsmethode, um die erforderliche CPU-Zeit drastisch zu reduzieren und gleichzeitig die Genauigkeit der Lösung beizubehalten.
Fusionsenergie
Die Fusion bietet das Versprechen unbegrenzter, kohlenstofffreier Energie durch denselben physikalischen Prozess, der die Sonne und die Sterne antreibt. Dazu muss der Brennstoff auf Temperaturen über 100 Millionen Grad erhitzt werden, weit über den Punkt hinaus, an dem die Elektronen von ihren Atomen getrennt werden, wodurch eine Form von Materie namens Plasma entsteht. Auf der Erde verwenden Forscher starke Magnetfelder, um das heiße Plasma von gewöhnlicher Materie zu isolieren und zu isolieren. Je stärker das Magnetfeld ist, desto besser ist die Qualität der Isolierung, die es bietet.
Rodriguez-Fernandez und Howard haben sich auf die Vorhersage der erwarteten Leistung des SPARC-Geräts konzentriert, einem kompakten Fusionsexperiment mit hohem Magnetfeld, das derzeit vom MIT-Spin-out-Unternehmen Commonwealth Fusion Systems (CFS) und Forschern von MITs Plasma Science gebaut wird und Fusionszentrum. Während die Berechnung eine außerordentliche Menge an Computerzeit erforderte, über 8 Millionen CPU-Stunden, war angesichts der entmutigenden Rechenherausforderung nicht bemerkenswert, wie viel Zeit verwendet wurde, sondern wie wenig.
Die rechnerische Herausforderung der Fusionsenergie
Turbulenz, der Mechanismus für den größten Teil des Wärmeverlusts in einem eingeschlossenen Plasma, ist eine der größten Herausforderungen der Wissenschaft und das größte verbleibende Problem der klassischen Physik. Die Gleichungen, die Fusionsplasmen regeln, sind gut bekannt, aber analytische Lösungen sind in den interessierenden Bereichen nicht möglich, wo Nichtlinearitäten wichtig sind und Lösungen einen enormen Bereich von räumlichen und zeitlichen Skalen umfassen. Wissenschaftler greifen auf die Lösung der Gleichungen durch numerische Simulation auf Computern zurück. Es ist kein Zufall, dass Fusionsforscher in den letzten 50 Jahren Pioniere in der Computerphysik waren.
Eines der grundlegenden Probleme für Forscher ist die zuverlässige Vorhersage von Plasmatemperatur und -dichte, wenn nur die Magnetfeldkonfiguration und die extern angelegte Eingangsleistung gegeben sind. In Einschlussvorrichtungen wie SPARC gehen die externe Energie und der Wärmeeintrag aus dem Fusionsprozess durch Turbulenzen im Plasma verloren. Die Turbulenz selbst wird durch den Unterschied zwischen der extrem hohen Temperatur des Plasmakerns und den relativ kühlen Temperaturen des Plasmarands (nur wenige Millionen Grad) angetrieben. Die Leistungsvorhersage eines selbsterhitzten Fusionsplasmas erfordert daher eine Berechnung der Leistungsbilanz zwischen der zugeführten Fusionsleistung und den Verlusten durch Turbulenzen.
Diese Berechnungen beginnen im Allgemeinen mit der Annahme von Plasmatemperatur- und -dichteprofilen an einem bestimmten Ort und berechnen dann die lokal durch Turbulenz transportierte Wärme. Eine brauchbare Vorhersage erfordert jedoch eine in sich konsistente Berechnung der Profile über das gesamte Plasma, die sowohl den Wärmeeintrag als auch turbulente Verluste beinhaltet. Die direkte Lösung dieses Problems übersteigt die Möglichkeiten eines bestehenden Computers. Daher haben Forscher einen Ansatz entwickelt, der die Profile aus einer Reihe anspruchsvoller, aber handhabbarer lokaler Berechnungen zusammenfügt. Diese Methode funktioniert, aber da die Wärme- und Partikelflüsse von mehreren Parametern abhängen, können die Berechnungen sehr langsam konvergieren.
Techniken aus dem Bereich des maschinellen Lernens sind jedoch gut geeignet, um eine solche Berechnung zu optimieren. Ausgehend von einer Reihe rechenintensiver lokaler Berechnungen, die mit dem CGYRO-Code mit vollständig physikalischen Grundprinzipien (bereitgestellt von einem Team von General Atomics unter der Leitung von Jeff Candy) ausgeführt wurden, passten Rodriguez-Fernandez und Howard ein mathematisches Ersatzmodell an, das zur Untersuchung verwendet wurde und Optimieren einer Suche innerhalb des Parameterraums. Die Ergebnisse der Optimierung wurden an jedem optimalen Punkt mit den exakten Berechnungen verglichen, und das System wurde bis zu einem gewünschten Genauigkeitsgrad iteriert. Die Forscher schätzen, dass die Technik die Anzahl der Durchläufe des CGYRO-Codes um den Faktor vier reduziert hat.
Neuer Ansatz erhöht das Vertrauen in Vorhersagen
Diese Arbeit, beschrieben in einer kürzlich erschienenen Veröffentlichung in der Zeitschrift Kernfusion, ist die Berechnung mit der höchsten Genauigkeit, die jemals für den Kern eines Fusionsplasmas durchgeführt wurde. Es verfeinert und bestätigt Vorhersagen, die mit weniger anspruchsvollen Modellen gemacht wurden. Professor Jonathan Citrin von der Technischen Universität Eindhoven und Leiter der Fusionsmodellierungsgruppe für DIFFER, das niederländische Institut für grundlegende Energieforschung, kommentierte: „Die Arbeit beschleunigt unsere Fähigkeiten zur routinemäßigeren Durchführung von Ultra-High-Fidelity-Tokamak-Szenariovorhersagen erheblich. Dieser Algorithmus kann dazu beitragen, den ultimativen Validierungstest des Maschinendesigns oder der Szenariooptimierung bereitzustellen, der mit einer schnelleren und reduzierteren Modellierung durchgeführt wird, wodurch unser Vertrauen in die Ergebnisse erheblich gestärkt wird.“
Diese Technik erhöht nicht nur das Vertrauen in die Fusionsleistung des SPARC-Experiments, sondern bietet auch eine Roadmap zur Überprüfung und Kalibrierung reduzierter physikalischer Modelle, die mit einem kleinen Bruchteil der Rechenleistung ausgeführt werden. Solche Modelle, die mit den Ergebnissen aus Turbulenzsimulationen abgeglichen werden, werden vor jeder SPARC-Entladung eine zuverlässige Vorhersage liefern, dabei helfen, experimentelle Kampagnen zu leiten und die wissenschaftliche Nutzung des Geräts zu verbessern. Es kann auch verwendet werden, um selbst einfache datengesteuerte Modelle zu optimieren und zu verbessern, die extrem schnell laufen und es Forschern ermöglichen, enorme Parameterbereiche zu sichten, um mögliche Experimente oder mögliche zukünftige Maschinen einzugrenzen.
Pablo Rodriguez-Fernandez et al, Nichtlineare gyrokinetische Vorhersagen von SPARC-Brennplasmaprofilen, ermöglicht durch Ersatzmodellierung, Kernfusion (2022). DOI: 10.1088/1741-4326/ac64b2
Diese Geschichte wurde mit freundlicher Genehmigung von MIT News (web.mit.edu/newsoffice/), eine beliebte Website, die Neuigkeiten über MIT-Forschung, -Innovation und -Lehre enthält.