Ученый из голландского университета разработал алгоритм на основе нейронных сетей, способный значительно ускорить моделирование поведения плазмы в термоядерном реакторе.
Чем труднее научная или инженерная задача, тем значительнее роль компьютерного моделирования в ее решении. Это правило подтверждается практикой почти всегда, и современная физика — не исключение. Работающий термоядерный реактор, производящий энергию, не меньшую чем затраченной на его запуск и функционирование, — Святой Грааль для современных ученых. Но невероятно высокая вычислительная сложность моделей, описывающих поведение плазмы в такой установке, мешает подступиться к нему.
Стоимость стеллараторов и токамаков требует избегать ошибок во время экспериментов. Время – ценный ресурс, а повреждения установок недопустимы. Поэтому модели становятся важными: ученым проще и безопаснее сначала проверять гипотезы в симуляциях. Эффективность моделей – один из факторов, ограничивающих прогресс в области управляемой термоядерной реакции. Пока она далека от идеала: полномасштабные расчеты требуют суперкомпьютеров, а приближенные результаты получаются после сотен часов работы обычных ПК.
Аарон Хо, докторант Технологического университета в Эйндховене, попытался разрешить ситуацию. Aaron HoСпециализируется на термоядерных реакциях, работая в отделе прикладной физики. пишет портал SciTechDailyВнедавно защищённая докторская диссертация посвящена применению искусственного интеллекта для моделирования поведения плазмы в токамаках. Созданный алгоритм уже входит в мощный набор программных инструментов физиков-ядерщиков. JINTRAC.
Молодой учёный предложил заменить код модели турбулентности пониженного порядка нейросетью. Его обучение проходило на нескольких наборах данных: входные — с реальных научных установок, а выходные — результаты, полученные от действующего инструмента. QuaLiKizРазработана модель, предсказывающая движение плазмы в токамаках, основанная на микротурбуленностях. Главный механизм переноса в таких устройствах — именно этот, поэтому важно точность и скорость работы модели. После обучения нейросеть интегрировали в … QuaLiKizПроверили работу на новых данных, сравнивая с прежним алгоритмом.
Вышло более чем впечатляюще. Обычный QuaLiKizЗадача была выполнена на 16 ядрах за 217 часов, а с использованием ИИ — на одном ядре за два часа. Ускорение составило более ста раз, даже без учета разницы в количестве процессоров. Общая ресурсоемкость модели с искусственным интеллектом в разы меньше.
Метод имеет ограничения, поскольку бесплатных решений не существует. Точность новой модели при проверке оказалась ниже: показатели «нейросети» и традиционного подхода разошлись. QuaLiKizРазличия составляли около десяти процентов. Здесь есть потенциал для совершенствования, однако полная точность при работе с искусственным интеллектом невозможна в принципе. Вместе с тем, само по себе QuaLiKizИспользуется для упрощенного моделирования из-за применения приближенных расчетов. В данной ситуации скорость является приоритетом, а для более точных расчетов доступны другие инструменты.