Искусственный интеллект помогает ускорить прогресс в направлении эффективных реакций синтеза
Прежде чем ученые смогут эффективно захватывать и внедрять энергию термоядерного синтеза, они должны научиться прогнозировать серьезные сбои, которые могут остановить реакции синтеза и повредить стенки термоядерных устройств, называемых токамаками. Своевременное прогнозирование сбоев, внезапная потеря контроля горячей, заряженной плазмы, которая подпитывает реакции, будет иметь жизненно важное значение для инициирования шагов по предотвращению или смягчению таких масштабных событий.
Сегодня исследователи из Лаборатории плазменной физики Принца Принстона (PPPL) и Принстонского университета (США) используют искусственный интеллект для повышения прогностической способности.
Исследователи во главе с Уильямом Тангом, физиком PPPL и профессором Принстонского университета, разрабатывают код для прогнозов для международного экспериментального проекта ИТЭР во Франции, чтобы продемонстрировать практичность термоядерной энергии .
Форма "глубокого обучения"
Новое прогностическое программное обеспечение, называемое кодом Fusion Recurrent Neural Network (FRNN), представляет собой форму « глубокого обучения » - более новую и более мощную версию современного программного обеспечения для машинного обучения, применение искусственного интеллекта. «Глубокое обучение представляет собой захватывающий новый путь к прогнозированию сбоев», - сказал Тан. «Эта возможность теперь может обрабатывать многомерные данные».
FRNN - это глубокая обучающая архитектура, которая оказалась лучшим способом анализа последовательных данных с использованием дальних моделей. Члены машиностроительной команды PPPL и Princeton University первыми систематически применяют глубокий подход к изучению проблемы прогнозирования сбоев в плазме пламени токамака.
Главным архитектором FRNN является Джулиан Кейтс-Харбек, аспирант Гарвардского университета и член-корреспондент DOE-выпускника по вычислительной науке. Опираясь на опыт, полученный при получении степени магистра компьютерных наук в Стэнфордском университете, он возглавил создание программного обеспечения FRNN.
Более точные прогнозы
Используя такой подход, команда демонстрирует способность точней делать прогнозы разрушительных событий, чем это делали предыдущие методы. С помощью огромной базы данных на объединенном европейском объекте Torus (JET), который находится в Соединенном Королевстве, самом крупном и одном из мощном токамаке в эксплуатации, исследования значительно улучшились при прогнозировании сбоев и уменьшилось количество ложных положительных сигналов тревоги.
Теперь команда нацелена на достижение сложных целей, которые потребуются ИТЭР. К ним относятся создание правильных прогнозов на 95 процентов при возникновении сбоев, при обеспечении ложных тревог менее 3% при отсутствии сбоев.
«В проверенных наборах тестов FRNN улучшил кривую для прогнозирования истинных положительных результатов при одновременном снижении ложных срабатываний», - сказал Элиот Фейбуш, ученый-вычислитель PPPL, ссылаясь на так называемую кривую «Эксплуатационная характеристика приемника», которая обычно используется для измерения точности машинного обучения. «Мы работаем над тем, чтобы принести больше данных для обучения, чтобы сделать еще лучше».
Высокая требовательность
Процесс очень требовательный. «Обучение глубоким нейронным сетям - это сложная задача, требующая привлечения высокопроизводительного вычислительного оборудования», - сказал Алексей Святковский, крупный исследователь данных из Университета Принстона. «Именно поэтому значительная часть того, что мы делаем, разрабатывает и распространяет новые алгоритмы для многих процессоров для достижения высокоэффективных параллельных вычислений. Такие вычисления будут обрабатывать возрастающий размер проблем, возникающих из базы данных, связанной с сбоем, от JET и других токамаков. "
Код глубокого обучения работает на графических процессорах (GPU), которые могут одновременно вычислить тысячи копий программы, намного больше, чем более старые центральные процессоры (ЦП). Тесты, выполненные на современных GPU-кластерах, а также на мировых станках, таких как Titan, в настоящее время самый быстрый и мощный американский суперкомпьютер в Oak Ridge Leadership Computing Facility, DOO Office of Science User Facility в Национальной лаборатории Oak Ridge, продемонстрировали отличное линейное масштабирование. Такое масштабирование уменьшает время выполнения вычислений прямо пропорционально количеству используемых графических процессоров - основное требование для эффективной параллельной обработки.
Принстонский кластер Тигра
Принстонский университетский тигровый кластер современных графических процессоров был первым, кто провел глубокие учебные тесты, используя FRNN. С тех пор этот код запускается на Titan и других ведущих суперкомпьютерных GPU-кластерах в США, Европе и Азии и продолжает демонстрировать отличное масштабирование с количеством задействованных графических процессоров.
Двигаясь вперед, исследователи стремятся продемонстрировать, что это мощное прогностическое программное обеспечение может работать на токамаках по всему миру и в конечном итоге на ИТЭР. Планируется также увеличение скорости анализа нарушений для увеличения размеров проблем, связанных с большими наборами данных, до наступления разрушительного события. Поддержка этого проекта в первую очередь была достигнута за счет средств, предоставленных PPPL.
