Physikalisch gesteuerte neuronale Netze schaffen neue Möglichkeiten, die Komplexität von Plasmen zu beobachten. Fusionsexperimente werden unter extremen Bedingungen in speziellen Vakuumkammern mit extrem heißen Materialien durchgeführt. Diese Bedingungen schränken die Fähigkeit von Diagnosetools zur Erfassung von Fusionsplasmadaten ein. Darüber hinaus sind Computermodelle von Plasmen sehr komplex und turbulente Plasmen schwer zu charakterisieren. Daher ist es schwierig, Modelle mit Messungen experimenteller Fusionsanlagen zu vergleichen.
Eine Brücke zwischen Plasmamodellierung und Experimenten
Zu diesem Zweck demonstrieren Forscher eine neue Möglichkeit, Plasmamodellierung und Experimente zu verbinden. Die Forscher entwickelten eine Technik, um Elektronendichte- und Temperaturschwankungen anhand von Fotos abzuleiten, die mit Kameras mit optischen Filtern aufgenommen wurden, die routinemäßig in Fusionsgeräten installiert sind. Fusionswissenschaftler können diese Informationen in Experimenten nutzen, um Plasmafelder theoriekonform vorherzusagen.
Herausforderungen bei der prädiktiven Modellierung
Die prädiktive Modellierung von Plasmaturbulenzen in Fusionsexperimenten ist eine Herausforderung. Dies liegt daran, dass es schwierig ist, die Randbedingungen dieser chaotischen Systeme zu modellieren. Mithilfe eines benutzerdefinierten, physikinformierten maschinellen Lernansatzes entwickelten die Forscher ein Framework, das direkt nach Plasmaeigenschaften sucht, die an den Grenzen von Versuchsaufbauten zur Kernfusion normalerweise nicht lösbar sind. Dadurch können Wissenschaftler vorhersagen, wie sich Plasmaschwankungen in Experimenten verhalten. Dies ermöglicht ihnen auch, Vorhersagemodelle theoretisch konsistent zu testen. Diese Art der Turbulenzmodellierung war bisher nicht praktikabel.
Die Bedeutung des Einschlusses in Fusionsplasmen
Ein ausreichender Einschluss des Fusionsplasmas ist entscheidend, um das Ziel der Nettoproduktion von Fusionsenergie zu erreichen. Ein Schlüsselelement prädiktiver Einschränkungen ist das Verständnis, wie Plasmainstabilitäten zu Kühlungs- und Leistungsverlusten in Fusionsgeräten führen. Infolgedessen hat die Fusionsgemeinschaft Jahrzehnte damit verbracht, die Messmöglichkeiten von Experimenten zu verbessern, um Vorhersagemodelle zu verfeinern. Allerdings erschweren die für die Fusion erforderlichen extremen Temperaturen und Vakuumbedingungen den Einsatz von Diagnosegeräten in Fusionsgeräten.
Forscher am MIT haben kürzlich zwei Artikel veröffentlicht, die sich mit dieser Herausforderung befassen.
Innovative Forschung am MIT
Im ersten Artikel zeigen die Forscher, wie man die von häufig verwendeten schnellen Kameras erfassten Photonenzahlen in Elektronendichte- und Temperaturschwankungen auf turbulenten Skalen umwandeln kann, indem man ein neuartiges, physikbasiertes Framework für künstliche Intelligenz verwendet, das experimentelle Daten mit Strahlungsmodellierung und dynamischer Theorie kombiniert. Das Ergebnis sind neuartige experimentelle Einblicke in die bisher nicht beobachtete Plasmadynamik.
Im zweiten Artikel nutzte das Team diese Informationen zur Elektronendynamik in Kombination mit der weit verbreiteten Plasmaturbulenztheorie, um elektrische Feldfluktuationen im Einklang mit partiellen Differentialgleichungen in einer experimentellen Umgebung direkt vorherzusagen. Diese Arbeit geht über traditionelle numerische Methoden hinaus und entwickelt stattdessen einen neuartigen Modellierungsansatz für die nichtlinearen Eigenschaften von Plasmen unter Verwendung einer speziell entwickelten physikinformierten neuronalen Netzwerkarchitektur. Diese Arbeit eröffnet neue wissenschaftliche Wege zum Verständnis, ob theoretische Vorhersagen mit Beobachtungen übereinstimmen.
Zusammengestellte Quelle: ScitechDaily