Разработанный молодым ученым из нидерландского университета, нейросетевой алгоритм значительно сокращает время моделирования поведения плазмы в термоядерном реакторе.
Чем сложнее научная или инженерная задача, тем важнее становится компьютерное моделирование для ее решения. Этот принцип на практике подтверждается почти всегда, и современная физика не является исключением. Создание термоядерного реактора, производящего не меньше энергии, чем потребляет на запуск и работу, – главная цель для ученых. Однако достичь ее препятствует огромная вычислительная сложность моделей, используемых для описания поведения плазмы в таких установках.
Учитывая высокую стоимость стеллараторов и токамаков, при проведении экспериментов на них крайне важно избегать ошибок. Время ограничено, а повреждения установок нежелательны. Поэтому возрастает и ценность моделей: ученым удобнее и безопаснее сначала проверять свои гипотезы в симуляциях. Эффективность моделей становится одним из ключевых факторов, сдерживающих прогресс в области управляемой термоядерной реакции. И пока она не достигла совершенства: для полномасштабных расчетов применяются суперкомпьютеры, а для получения приблизительных результатов требуются сотни часов работы обычных персональных компьютеров.
Ситуацию попытался улучшить докторант Технического университета Эйндховена (Нидерланды) Аарон Хо ( Aaron Ho). Как он работает в группе, занимающейся изучением термоядерных реакций, которая входит в состав департамента прикладной физики пишет портал SciTechDaily, Хо недавно защитил докторскую диссертацию, в которой исследовалось применение искусственного интеллекта для моделирования поведения плазмы в токамаках. Разработанный им алгоритм теперь является частью мощного комплекса программных средств, используемых физиками-ядерщиками, и называется JINTRAC.
Молодой ученый предложил заменить код, определяющий модель турбулентности пониженного порядка, на нейросеть. Для обучения ИИ были использованы несколько наборов данных: входные данные, полученные с реальных научных установок, и результаты, рассчитанные с помощью существующего инструмента QuaLiKiz, предсказывающего движение плазмы в токомаках посредством микротурбулентностей. Учитывая, что этот процесс является основным механизмом переноса в подобных устройствах, критически важны точность и скорость работы модели. После обучения нейросеть интегрировали в QuaLiKiz и проверили на новых данных, сравнив со старым алгоритмом.
Вышло более чем впечатляюще. Обычный QuaLiKiz выполнил задачу на 16 вычислительных ядрах за 217 часов, а оснащенный ИИ — на одном ядре и за два часа. То есть даже без учета разницы в количестве необходимых для работы модели процессоров ускорение получилось более чем в сто раз. А если оценивать общую ресурсоемкость, разница выходит на порядок больше.
У метода, разумеется, существуют ограничения, поскольку ничего не дается даром. Точность новой модели при тестировании оказалась ниже: результаты, полученные с использованием «нейросетевого» и обычного QuaLiKiz различались примерно на 10%. В этом моменте есть место для улучшений, но 100% точности с искусственным интеллектом достичь принципиально невозможно. С другой стороны, сам по себе QuaLiKiz применяется для упрощенного моделирования, так как использует приближенные вычисления. Поэтому в описываемом случае скорость важнее, а для более точных вычислений есть другие инструменты.