استفاده از هوش مصنوعی برای مدلسازی پدیده‌های پیچیده پلاسما
محققان از یک تکنیک جدید یادگیری عمیق استفاده می‌کنند که از شبکه‌های عصبی مصنوعی برای ساختن نمایش‌هایی از معادلات حاکم بر نظریه سیال کاهش‌یافته برای مدلسازی پلاسما استفاده می‌کند
به گزارش پایگاه اطلاع رسانی ایران رصد، محققان MIT در حال آزمایش توانایی یک نظریه آشفتگی ساده برای مدلسازی پدیده‌های پیچیده پلاسما با استفاده از یک تکنیک جدید یادگیری ماشینی هستند.
برای تبدیل انرژی همجوشی به منبعی مناسب برای شبکه انرژی جهان، محققان باید حرکت آشفته پلاسما را درک کنند( ترکیبی از یون‌ها و الکترون‌هایی که در لوله های راکتور می‌چرخند.) ذرات پلاسما، به دنبال خطوط میدان مغناطیسی در محفظه های حلقوی موسوم به توکامک، باید به اندازه کافی محصور شوند تا دستگاه های همجوشی بتوانند دستاوردهای قابل توجهی در انرژی خالص ایجاد کنند، این چالش زمانی است که لبه داغ پلاسما بیش از ۱ میلیون درجه سانتیگراد تنها چند سانتی متر ازدیواره های جامد بسیار سردترلوله های آن فاصله دارد.
Abhilash Mathews، کاندیدای دکترا در دپارتمان علوم و مهندسی هسته‌ای که در مرکز علوم و فیوژن پلاسما MIT (PSFC) کار می‌کند، معتقد است که این لبه پلاسما منبعی غنی از سوالات بی‌پاسخ است.
برای درک بهتر شرایط لبه، دانشمندان بر مدلسازی تلاطم در این مرز با استفاده از شبیه‌سازی‌های عددی تمرکز می‌کنند که به پیش‌بینی رفتار پلاسما کمک می‌کند. با این حال، شبیه‌سازی‌های «اصول اول» این منطقه از چالش‌برانگیزترین و زمان‌برترین محاسبات در تحقیقات همجوشی هستند. اگر محققان بتوانند مدل‌های رایانه‌ای «کاهش‌یافته» را که بسیار سریع‌تر، اما با سطوح دقت کمی کار می‌کنند، توسعه دهند، پیشرفت می‌تواند تسریع شود.
برای دهه‌ها، فیزیکدانان توکاماک به‌رغم عدم قطعیت در مورد دقت، به طور مرتب از یک «نظریه دو سیال» کاهش‌یافته به جای مدل‌های با وفاداری بالاتر برای شبیه‌سازی پلاسمای مرزی در آزمایش استفاده کرده‌اند. در انتشارات اخیر، ماتیوس مستقیماً آزمایش دقت این مدل تلاطم پلاسما کاهش یافته را به روشی جدید آغاز می کند: او فیزیک را با یادگیری ماشین ترکیب می کند.
ماتیوس توضیح می‌دهد:
“یک نظریه موفق قرار است آنچه را که می‌خواهید مشاهده کنید، پیش‌بینی کند، مثلاً دما، چگالی، پتانسیل الکتریکی، جریان‌ها. و این روابط بین این متغیرها است که اساساً یک نظریه آشفتگی را تعریف می کند. آنچه کار ما اساساً بررسی می کند، رابطه دینامیکی بین دو مورد از این متغیرها است: میدان الکتریکی متلاطم و فشار الکترون.”
استفاده از تکنیک جدید یادگیری عمیق
در مقاله اول که در Physical Review E منتشر شد، متیوز از یک تکنیک جدید یادگیری عمیق استفاده می‌کند. که از شبکه‌های عصبی مصنوعی برای ساختن نمایش‌هایی از معادلات حاکم بر نظریه سیال کاهش‌یافته استفاده می‌کند. با این چارچوب، او راهی برای محاسبه میدان الکتریکی آشفته از نوسانات فشار الکترون در پلاسما مطابق با نظریه سیال کاهش یافته نشان می دهد. مدل‌هایی که معمولاً برای ارتباط میدان الکتریکی با شکسته شدن فشار در پلاسماهای آشفته استفاده می‌شوند. اما این مدل حتی برای اندازه‌گیری فشار پر سر و صدا نیز قوی است.
در مقاله دوم، منتشر شده در Physics of Plasmas، Mathews این ارتباط را بیشتر بررسی می کند. و آن را در مقابل شبیه سازی تلاطم با وفاداری بالاتر قرار می دهد. ارزیابی دقیق این اولین مقایسه در نوع خود از تلاطم در بین مدل‌ها قبلاً دشوار – اگر نگوییم غیرممکن – بود. ماتیوس دریافت که در پلاسمای مربوط به دستگاه های همجوشی موجود، میدان های آشفته پیش بینی شده مدل سیال کاهش یافته با محاسبات با وفاداری بالا سازگار است. در این معنا، نظریه تلاطم کاهش یافته کار می کند. اما ماتیوس می گوید برای تایید کامل آن، “باید هر ارتباط بین هر متغیر را بررسی کرد.”
جری هیوز، مشاور ماتیوس، دانشمند اصلی تحقیقات، خاطرنشان می کند که شبیه سازی تلاطم پلاسما بسیار دشوار است، بیشتر از تلاطم آشنا که در هوا و آب مشاهده می شود. این کار نشان می‌دهد که، تحت مجموعه‌ای از شرایط مناسب، تکنیک‌های یادگیری ماشینی مبتنی بر فیزیک می‌توانند تصویری بسیار کامل از پلاسمای لبه‌ای که به سرعت در حال نوسان است، از مجموعه‌ای محدود از مشاهدات، ترسیم کنند. «من هیجان زده هستم که ببینم چگونه می‌توانیم این را در آزمایش‌های جدید به کار ببریم، که در آن اساساً هرگز هر مقداری را که می‌خواهیم مشاهده نمی‌کنیم.»
کاربرد مطالعات
این روش‌های یادگیری عمیق مبتنی بر علم فیزیک، راه‌های جدیدی را برای آزمایش نظریه‌های قدیمی و گسترش آنچه می‌توان از آزمایش‌های جدید مشاهده کرد، هموار می‌کند. دیوید هچ، دانشمند محقق در موسسه مطالعات فیوژن در دانشگاه تگزاس در آستین، معتقد است که این کاربردها شروع یک تکنیک جدید امیدوارکننده هستند.
او می‌گوید: «این تکنیک یک دستاورد بزرگ با پتانسیل برای کاربرد گسترده است. به عنوان مثال، با توجه به اندازه‌گیری‌های تشخیصی محدود یک کمیت پلاسما خاص، یادگیری ماشینی مبتنی بر فیزیک می‌تواند مقادیر پلاسمای اضافی را در یک حوزه نزدیک استنتاج کند، در نتیجه اطلاعات ارائه‌شده توسط یک تشخیص مشخص را افزایش می‌دهد. این تکنیک همچنین استراتژی‌های جدیدی را برای اعتبارسنجی مدل باز می‌کند.”
ماتیوس تحقیقات هیجان انگیزی را پیش رو می بیند.
او می‌گوید: «تبدیل این تکنیک‌ها به آزمایش‌های همجوشی برای پلاسمای لبه واقعی یکی از اهدافی است که ما در نظر داریم، و کار در حال حاضر در حال انجام است. “اما این تازه شروع کار است.”
منبع :
“Uncovering turbulent plasma dynamics via deep learning from partial observations” by A. Mathews, M. Francisquez, J. W. Hughes, D. R. Hatch, B. Zhu and B. N. Rogers, 13 August 2021 , Physical Review E.
DOI: 10.1103/PhysRevE.104.025205
“Turbulent field fluctuations in gyrokinetic and fluid plasmas” by A. Mathews, N. Mandell, M. Francisquez, J. W. Hughes and A. Hakim, 1 November 2021, Physics of Plasmas.
DOI: 10.1063/5.0066064