El aprendizaje automático facilita el "seguimiento de la turbulencia" en los reactores de fusión

Jan 20, 2024

Las imágenes para descargar en el sitio web de la oficina de noticias del MIT están disponibles para entidades no comerciales, la prensa y el público en general bajo una licencia Creative Commons Attribution Non-Commercial No Derivatives. No puede alterar las imágenes proporcionadas, excepto para recortarlas al tamaño. Se debe utilizar una línea de crédito al reproducir imágenes; si no se proporciona uno a continuación, acredite las imágenes a "MIT".

Imagen anterior Imagen siguiente

Fusion, que promete energía prácticamente ilimitada y libre de carbono utilizando los mismos procesos que alimentan al sol, está en el centro de un esfuerzo de investigación mundial que podría ayudar a mitigar el cambio climático.

Un equipo multidisciplinario de investigadores ahora está aportando herramientas y conocimientos del aprendizaje automático para ayudar en este esfuerzo. Científicos del MIT y otros lugares han utilizado modelos de visión por computadora para identificar y rastrear estructuras turbulentas que aparecen bajo las condiciones necesarias para facilitar las reacciones de fusión.

Monitorear la formación y los movimientos de estas estructuras, llamadas filamentos o "manchas", es importante para comprender los flujos de calor y partículas que salen del combustible en reacción, lo que finalmente determina los requisitos de ingeniería para que las paredes del reactor cumplan con esos flujos. Sin embargo, los científicos suelen estudiar las manchas utilizando técnicas de promedio, que intercambian detalles de estructuras individuales a favor de estadísticas agregadas. La información de blobs individuales debe rastrearse marcándolos manualmente en los datos de video.

Los investigadores construyeron un conjunto de datos de video sintético de turbulencia de plasma para hacer que este proceso sea más efectivo y eficiente. Lo usaron para entrenar cuatro modelos de visión por computadora, cada uno de los cuales identifica y rastrea blobs. Entrenaron a los modelos para identificar manchas de la misma manera que lo harían los humanos.

Cuando los investigadores probaron los modelos entrenados usando clips de video reales, los modelos pudieron identificar manchas con alta precisión, más del 80 por ciento en algunos casos. Los modelos también pudieron estimar efectivamente el tamaño de las manchas y las velocidades a las que se movían.

Debido a que se capturan millones de cuadros de video durante un solo experimento de fusión, el uso de modelos de aprendizaje automático para rastrear blobs podría brindar a los científicos información mucho más detallada.

"Antes, podíamos obtener una imagen macroscópica de lo que estas estructuras están haciendo en promedio. Ahora, tenemos un microscopio y el poder computacional para analizar un evento a la vez. Si damos un paso atrás, lo que esto revela es el poder disponible de estas técnicas de aprendizaje automático y formas de usar estos recursos computacionales para progresar", dice Theodore Golfinopoulos, científico investigador del MIT Plasma Science and Fusion Center y coautor de un artículo que detalla estos enfoques.

Sus compañeros coautores incluyen al autor principal Woonghee "Harry" Han, candidato a doctorado en física; el autor principal Iddo Drori, profesor invitado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL), profesor asociado de la facultad en la Universidad de Boston y adjunto en la Universidad de Columbia; así como otros del Centro de Ciencia y Fusión de Plasma del MIT, el Departamento de Ingeniería Civil y Ambiental del MIT y el Instituto Federal Suizo de Tecnología en Lausana en Suiza. La investigación aparece hoy en Nature Scientific Reports.

Calentando las cosas

Durante más de 70 años, los científicos han buscado utilizar reacciones de fusión termonuclear controladas para desarrollar una fuente de energía. Para alcanzar las condiciones necesarias para una reacción de fusión, el combustible debe calentarse a temperaturas superiores a los 100 millones de grados centígrados. (El núcleo del sol está a unos 15 millones de grados centígrados).

Un método común para contener este combustible súper caliente, llamado plasma, es usar un tokamak. Estos dispositivos utilizan campos magnéticos extremadamente potentes para mantener el plasma en su lugar y controlar la interacción entre el calor de escape del plasma y las paredes del reactor.

Sin embargo, las manchas aparecen como filamentos que caen del plasma en el borde, entre el plasma y las paredes del reactor. Estas estructuras aleatorias y turbulentas afectan cómo fluye la energía entre el plasma y el reactor.

"Saber lo que están haciendo las manchas restringe fuertemente el rendimiento de ingeniería que su planta de energía tokamak necesita en el borde", agrega Golfinopoulos.

Los investigadores utilizan una técnica de imagen única para capturar video del borde turbulento del plasma durante los experimentos. Una campaña experimental puede durar meses; un día típico producirá alrededor de 30 segundos de datos, lo que corresponde a aproximadamente 60 millones de cuadros de video, con miles de blobs que aparecen cada segundo. Esto hace que sea imposible rastrear todos los blobs manualmente, por lo que los investigadores confían en técnicas de muestreo promedio que solo brindan características generales de tamaño, velocidad y frecuencia de los blobs.

"Por otro lado, el aprendizaje automático brinda una solución a esto mediante el seguimiento gota a gota para cada cuadro, no solo cantidades promedio. Esto nos brinda mucho más conocimiento sobre lo que sucede en el límite del plasma", dice Han.

Él y sus coautores tomaron cuatro modelos de visión por computadora bien establecidos, que se usan comúnmente para aplicaciones como la conducción autónoma, y ​​los entrenaron para abordar este problema.

Simulando manchas

Para entrenar estos modelos, crearon un vasto conjunto de datos de clips de video sintéticos que capturaron la naturaleza aleatoria e impredecible de las manchas.

"A veces cambian de dirección o velocidad, a veces se fusionan varias manchas o se separan. Este tipo de eventos no se consideraban antes con los enfoques tradicionales, pero podíamos simular libremente esos comportamientos en los datos sintéticos", dice Han.

La creación de datos sintéticos también les permitió etiquetar cada blob, lo que hizo que el proceso de entrenamiento fuera más efectivo, agrega Drori.

Usando estos datos sintéticos, entrenaron a los modelos para dibujar límites alrededor de las manchas, enseñándoles a imitar de cerca lo que dibujaría un científico humano.

Luego probaron los modelos utilizando datos de video reales de experimentos. Primero, midieron qué tan cerca los límites que dibujaban los modelos coincidían con los contornos reales de las manchas.

Pero también querían ver si los modelos predecían objetos que los humanos identificarían. Pidieron a tres expertos humanos que identificaran los centros de las manchas en los cuadros de video y verificaron si los modelos predijeron manchas en esos mismos lugares.

Los modelos pudieron dibujar límites precisos de manchas, superponiéndose con contornos de brillo que se consideran reales, aproximadamente el 80 por ciento del tiempo. Sus evaluaciones fueron similares a las de los expertos humanos y predijeron con éxito el régimen de la mancha definido por la teoría, lo que concuerda con los resultados de un método tradicional.

Ahora que han demostrado el éxito del uso de datos sintéticos y modelos de visión por computadora para rastrear manchas, los investigadores planean aplicar estas técnicas a otros problemas en la investigación de fusión, como estimar el transporte de partículas en el límite de un plasma, dice Han.

También pusieron a disposición del público el conjunto de datos y los modelos, y esperan ver cómo otros grupos de investigación aplican estas herramientas para estudiar la dinámica de las manchas, dice Drori.

"Antes de esto, había una barrera de entrada de que, en su mayoría, las únicas personas que trabajaban en este problema eran físicos de plasma, que tenían los conjuntos de datos y usaban sus métodos. Hay una gran comunidad de aprendizaje automático y visión por computadora. Uno de los objetivos de este trabajo es para alentar la participación en la investigación de fusión de la comunidad más amplia de aprendizaje automático hacia el objetivo más amplio de ayudar a resolver el problema crítico del cambio climático”, agrega.

Esta investigación cuenta con el apoyo, en parte, del Departamento de Energía de EE. UU. y la Fundación Nacional de Ciencias de Suiza.

Los investigadores del MIT han desarrollado un nuevo modelo de aprendizaje automático que puede identificar y rastrear gotas de plasma creadas en la investigación de fusión nuclear controlada, informa Ed Browne para Newsweek. "La investigación de fusión es un proyecto complejo y multidisciplinario que requiere tecnologías de muchos campos", explica el estudiante graduado Woonghee "Harry" Han.

Elemento anterior Elemento siguiente

Elemento anterior Elemento siguiente