Искусственный интеллект отследил турбулентности внутри термоядерного реактора
Фото: Rswilcox / Wikimedia
Ученые Массачусетского технологического института (США) и Федеральной политехнической школы Лозанны (Швейцария) предложили использовать искусственный интеллект для обнаружения и отслеживания турбулентных структур в плазме внутри токамака — тороидального термоядерного реактора. Результаты исследования, опубликованные в журнале Scientific Reports, помогут изучать потери энергии из удерживаемой плазмы и добиться более эффективного производства термоядерной энергии.
Чтобы удержать внутри токамака сверхнагретую плазму и не допустить ее контакта с внутренней поверхностью установки, используются мощные магнитные поля силой более 10 тесла. На границе удерживаемой плазмы, называемой последней замкнутой поверхностью потока (англ. last closed magnetic flux surface, LCFS), находится область усиленного турбулентного переноса, в которой частицы плазмы вырываются за пределы замкнутой области и попадают в область, где магнитные поля пересекают стенки камеры. Эти частицы или даже сгустки плазмы могут достигать внутренней поверхности токамака.
Для визуализации процессов, происходящих на границе удерживаемой плазмы, ученые используют метод GPI (Gas-Puff Imaging), при котором небольшое количество нейтрального газа локально вводится в интересующую область. После этого регистрируется излучение видимого света, возникающее в результате взаимодействия плазмы с газовым облаком. Было обнаружено, что из LCFS вытесняются особенности, которые ярче своего окружения. Исследователи называют эти структуры «нитями» (англ. filaments) или «каплями» (англ. blob), и они представляют собой потери частиц и энергии из удерживаемой плазмы. Кроме того, стенки токамаков должны выдерживать контакт с этими сгустками плазмы.
Традиционно ученые анализируют «блобы» с помощью методов, которые предоставляют лишь усредненные характеристики структур. За каждый день работы токамака TCV в Швейцарии производится 30 разрядов, генерирующих плазму в течение одной секунды, при этом менее чем за одну секунду производится 100 тысяч изображений. Такая пропускная способность слишком велика для того, чтобы данные мог проанализировать человек.
Для решения этой проблемы ученые сгенерировали набор синтетических видеоизображений турбулентных процессов в плазме для обучения четырех моделей компьютерного зрения: модель глубокого машинного обучения RAFT, сверточную нейронную сеть Mask R-CNN, а также GMA и Flow Walk, отслеживающие движения и изменения пикселей. Затем ИИ были протестированы с использованием как синтетических, так и реальных видеоизображений.
Результаты также сравнивали с оценками трех людей-экспертов, которых попросили вручную пометить центральные точки в пятнах, соответствующих каплям плазмы. В целом RAFT и Mask R-CNN достигли наилучших результатов с точностью выявления капель до 80 процентов, позволяя оценивать различные параметры динамики «блобов», связанных с турбулентностью на границе удерживаемой плазмы.