Neue KI-Modelle der Plasmaerwärmung führen zu wichtigen Korrekturen im Computercode für die Fusionsforschung

Neue Modelle mit künstlicher Intelligenz (KI) für die Plasmaerwärmung können mehr leisten, als bisher für möglich gehalten wurde: Sie erhöhen nicht nur die Vorhersagegeschwindigkeit um das 10-Millionen-fache bei gleichzeitiger Beibehaltung der Genauigkeit, sondern können die Plasmaerwärmung auch in Fällen korrekt vorhersagen, in denen der ursprüngliche numerische Code versagt hat. Die Modelle werden am 11. Oktober im präsentiert 66. Jahrestagung der Abteilung für Plasmaphysik der American Physical Society in Atlanta.

„Mit unserer Intelligenz können wir die KI so trainieren, dass sie sogar über die Grenzen verfügbarer numerischer Modelle hinausgeht“, sagte Álvaro Sánchez-Villar, assoziierter Forschungsphysiker am Princeton Plasma Physics Laboratory (PPPL) des US-Energieministeriums (DOE). Sánchez-Villar ist Hauptautorin eines neuen Buches Zeitschriftenartikel in Kernfusion über die Arbeit. Es war Teil eines Projekts, das fünf Forschungseinrichtungen umfasste.

Die Modelle nutzen maschinelles Lernen, eine Art KI, um vorherzusagen, wie sich Elektronen und Ionen in einem Plasma verhalten, wenn in Fusionsexperimenten eine Erwärmung durch Ionenzyklotron-Frequenzbereich (ICRF) angewendet wird. Die Modelle werden anhand von Daten trainiert, die von einem Computercode generiert werden. Während viele der Daten mit früheren Ergebnissen übereinstimmten, entsprachen die Daten in einigen Extremszenarien nicht ihren Erwartungen.

„Wir beobachteten ein parametrisches Regime, bei dem die Erwärmungsprofile unregelmäßige Spitzen an eher willkürlichen Stellen aufwiesen“, sagte Sánchez-Villar. „Es gab nichts Physisches, um diese Spitzen zu erklären.“

Sánchez Villar identifizierte und entfernte problematische Daten, sogenannte Ausreißer, aus dem Trainingssatz, um ihre KI zu trainieren, da die Szenarien unphysisch waren. „Wir haben unser Modell verzerrt, indem wir die Spitzen im Trainingsdatensatz eliminiert haben, und waren dennoch in der Lage, die Physik vorherzusagen“, sagte Sánchez Villar.

„Wie zu beobachten ist, entfernt der Code die Spitzen korrekt, geht jedoch von einer stärkeren Erwärmung im hervorgehobenen Bereich aus. Es gab jedoch nichts, was garantieren konnte, dass diese Vorhersagen physikalisch waren.“

Dann ging das Team noch einen Schritt weiter. Nach monatelanger Forschung wurde die Ursache – eine Einschränkung des numerischen Modells – identifiziert und von Sánchez Villar behoben, der dann die korrigierte Version des Codes für die Ausreißerfälle ausführte, die ursprünglich die zufälligen Spitzen zeigten.

Er stellte nicht nur fest, dass die Lösungen in allen problematischen Fällen frei von Spitzen waren, sondern zu seiner Überraschung waren diese Lösungen auch in kritischen Ausreißer-Szenarien nahezu identisch mit den Lösungen in einem der Monate zuvor vorhergesagten Modelle für maschinelles Lernen.

„Das bedeutet, dass unsere Ersatzimplementierung praktisch einer Korrektur des ursprünglichen Codes entsprach, nur basierend auf einer sorgfältigen Kuratierung der Daten“, sagte Sánchez-Villar. „Wie jede Technologie kann uns KI bei intelligentem Einsatz dabei helfen, Probleme nicht nur schneller, sondern besser als bisher zu lösen und unsere eigenen menschlichen Zwänge zu überwinden.“

Wie erwartet verbesserten die Modelle auch die Berechnungszeiten für die ICRF-Erwärmung. Diese Zeiten sanken von etwa 60 Sekunden auf 2 Mikrosekunden, was schnellere Simulationen ermöglichte, ohne die Genauigkeit nennenswert zu beeinträchtigen. Diese Verbesserung wird Wissenschaftlern und Ingenieuren dabei helfen, die besten Möglichkeiten zu finden, die Kernfusion zu einer praktischen Energiequelle zu machen.