Voir le bord plasma des expériences de fusion de nouvelles manières avec l’intelligence artificielle

Pour faire de l’énergie de fusion une ressource viable pour le réseau énergétique mondial, les chercheurs doivent comprendre le mouvement turbulent des plasmas : un mélange d’ions et d’électrons tourbillonnant dans les cuves des réacteurs. Les particules de plasma, suivant les lignes de champ magnétique dans des chambres toroïdales connues sous le nom de tokamaks, doivent être confinées suffisamment longtemps pour que les dispositifs de fusion produisent des gains significatifs en énergie nette, un défi lorsque le bord chaud du plasma (plus d’un million de degrés Celsius) n’est que de quelques centimètres. loin des parois solides beaucoup plus froides du récipient.

Abhilash Mathews, doctorant au Département des sciences et de l’ingénierie nucléaires travaillant au Plasma Science and Fusion Center (PSFC) du MIT, pense que cet avantage du plasma est une source particulièrement riche de questions sans réponse. Frontière turbulente, elle est essentielle pour comprendre le confinement du plasma, le ravitaillement et les flux de chaleur potentiellement dommageables qui peuvent frapper les surfaces des matériaux, facteurs qui ont un impact sur la conception des réacteurs de fusion.

Pour mieux comprendre les conditions de bord, les scientifiques se concentrent sur la modélisation de la turbulence à cette frontière à l’aide de simulations numériques qui aideront à prédire le comportement du plasma. Cependant, les simulations des premiers principes de cette région sont parmi les calculs les plus difficiles et les plus longs dans la recherche sur la fusion. Les progrès pourraient être accélérés si les chercheurs pouvaient développer des modèles informatiques réduits qui fonctionnent beaucoup plus rapidement, mais avec des niveaux de précision quantifiés.

Pendant des décennies, les physiciens du tokamak ont ​​régulièrement utilisé une théorie réduite des deux fluides plutôt que des modèles de plus haute fidélité pour simuler des plasmas limites dans les expériences, malgré l’incertitude quant à la précision. Dans deux publications récentes, Mathews commence à tester directement la précision de ce modèle de turbulence plasma réduite d’une nouvelle manière : il combine la physique avec l’apprentissage automatique.

Une théorie réussie est censée prédire ce que vous allez observer, explique Mathews, par exemple, la température, la densité, le potentiel électrique, les flux. Et ce sont les relations entre ces variables qui définissent fondamentalement une théorie de la turbulence. Ce que notre travail examine essentiellement, c’est la relation dynamique entre deux de ces variables : le champ électrique turbulent et la pression électronique.

Dans le premier article, publié en Examen physique E, Mathews utilise une nouvelle technique d’apprentissage en profondeur qui utilise des réseaux de neurones artificiels pour construire des représentations des équations régissant la théorie des fluides réduite. Avec ce cadre, il démontre un moyen de calculer le champ électrique turbulent à partir d’une fluctuation de la pression des électrons dans le plasma en accord avec la théorie des fluides réduite. Les modèles couramment utilisés pour relier le champ électrique à la pression s’effondrent lorsqu’ils sont appliqués à des plasmas turbulents, mais celui-ci est robuste même aux mesures de pression bruyantes.

Dans le deuxième article, publié dans Physique des plasmas, Mathews étudie plus en détail cette connexion, la contrastant avec des simulations de turbulence plus fidèles. Cette comparaison unique de la turbulence entre les modèles était auparavant difficile, voire impossible, à évaluer avec précision. Mathews constate que dans les plasmas pertinents pour les dispositifs de fusion existants, les champs turbulents prédits du modèle de fluide réduit sont cohérents avec les calculs haute fidélité. En ce sens, la théorie de la turbulence réduite fonctionne. Mais pour le valider complètement, il faut vérifier chaque connexion entre chaque variable, dit Mathews.

Le conseiller de Mathews, le chercheur principal Jerry Hughes, note que la turbulence du plasma est notoirement difficile à simuler, plus que la turbulence familière observée dans l’air et l’eau. Ce travail montre que, dans les bonnes conditions, les techniques d’apprentissage automatique basées sur la physique peuvent brosser un tableau très complet du plasma de bord fluctuant rapidement, à partir d’un ensemble limité d’observations. Je suis impatient de voir comment nous pouvons appliquer cela à de nouvelles expériences, dans lesquelles nous n’observons pratiquement jamais toutes les quantités que nous voulons.

Ces méthodes d’apprentissage en profondeur fondées sur la physique ouvrent de nouvelles voies pour tester d’anciennes théories et étendre ce qui peut être observé à partir de nouvelles expériences. David Hatch, chercheur à l’Institute for Fusion Studies de l’Université du Texas à Austin, pense que ces applications sont le début d’une nouvelle technique prometteuse.

Le travail d’Abhis est une réalisation majeure avec un potentiel d’application large, dit-il. Par exemple, étant donné les mesures diagnostiques limitées d’une quantité de plasma spécifique, l’apprentissage automatique basé sur la physique pourrait déduire des quantités de plasma supplémentaires dans un domaine voisin, augmentant ainsi les informations fournies par un diagnostic donné. La technique ouvre également de nouvelles stratégies pour la validation des modèles.

Mathews prévoit des recherches passionnantes à venir.

Traduire ces techniques en expériences de fusion pour des plasmas de bord réel est un objectif que nous avons en vue, et des travaux sont actuellement en cours, dit-il. Mais ce n’est que le début.

Mathews a été soutenu dans ce travail par la bourse Manson Benedict, le Conseil de recherches en sciences naturelles et en génie du Canada et les États-Unis. Department of Energy Office of Science dans le cadre du programme Fusion Energy Sciences.