L’apprentissage automatique facilite le « suivi des turbulences » dans les réacteurs à fusion

La fusion, qui promet une énergie pratiquement illimitée et sans carbone en utilisant les mêmes processus qui alimentent le soleil, est au cœur d’un effort de recherche mondial qui pourrait aider à atténuer le changement climatique.

Une équipe multidisciplinaire de chercheurs apporte désormais des outils et des connaissances issus de l’apprentissage automatique pour soutenir cet effort. Des scientifiques du MIT et d’ailleurs ont utilisé des modèles de vision par ordinateur pour identifier et suivre les structures turbulentes qui apparaissent dans les conditions nécessaires pour faciliter les réactions de fusion.

La surveillance de la formation et des mouvements de ces structures, appelées filaments ou « blobs », est importante pour comprendre les flux de chaleur et de particules sortant du combustible en réaction, ce qui détermine en fin de compte les exigences techniques pour que les parois du réacteur répondent à ces flux. Cependant, les scientifiques étudient généralement les blobs en utilisant des techniques de moyenne, qui échangent les détails des structures individuelles en faveur de statistiques agrégées. Les informations de blob individuelles doivent être suivies en les marquant manuellement dans les données vidéo.

Les chercheurs ont créé un ensemble de données vidéo synthétiques sur la turbulence du plasma pour rendre ce processus plus efficace et efficient. Ils l’ont utilisé pour former quatre modèles de vision par ordinateur, dont chacun identifie et suit les blobs. Ils ont formé les modèles pour identifier les blobs de la même manière que les humains le feraient.

Lorsque les chercheurs ont testé les modèles formés à l’aide de vrais clips vidéo, les modèles ont pu identifier les blobs avec une grande précision – plus de 80 % dans certains cas. Les modèles ont également pu estimer efficacement la taille des gouttes et la vitesse à laquelle elles se déplaçaient.

Étant donné que des millions d’images vidéo sont capturées au cours d’une seule expérience de fusion, l’utilisation de modèles d’apprentissage automatique pour suivre les blobs pourrait fournir aux scientifiques des informations beaucoup plus détaillées.

« Avant, nous pouvions obtenir une image macroscopique de ce que ces structures faisaient en moyenne. Maintenant, nous avons un microscope et la puissance de calcul pour analyser un événement à la fois. Si nous prenons du recul, ce que cela révèle est la puissance disponible. de ces techniques d’apprentissage automatique et des moyens d’utiliser ces ressources informatiques pour progresser », explique Theodore Golfinopoulos, chercheur au MIT Plasma Science and Fusion Center et co-auteur d’un article détaillant ces approches.

Ses collègues co-auteurs incluent l’auteur principal Woonghee « Harry » Han, candidat au doctorat en physique; l’auteur principal Iddo Drori, professeur invité au Laboratoire d’informatique et d’intelligence artificielle (CSAIL), professeur associé à la faculté de l’Université de Boston et auxiliaire à l’Université de Columbia ; ainsi que d’autres du MIT Plasma Science and Fusion Center, du MIT Department of Civil and Environmental Engineering et de l’Institut fédéral suisse de technologie à Lausanne en Suisse. La recherche apparaît aujourd’hui dans Nature Scientific Reports.

Faire chauffer les choses

Depuis plus de 70 ans, les scientifiques ont cherché à utiliser des réactions de fusion thermonucléaire contrôlées pour développer une source d’énergie. Pour atteindre les conditions nécessaires à une réaction de fusion, le combustible doit être chauffé à des températures supérieures à 100 millions de degrés Celsius. (Le noyau du soleil est à environ 15 millions de degrés Celsius.)

Une méthode courante pour contenir ce combustible super chaud, appelé plasma, consiste à utiliser un tokamak. Ces dispositifs utilisent des champs magnétiques extrêmement puissants pour maintenir le plasma en place et contrôler l’interaction entre la chaleur d’échappement du plasma et les parois du réacteur.

Cependant, les gouttes apparaissent comme des filaments tombant du plasma tout au bord, entre le plasma et les parois du réacteur. Ces structures aléatoires et turbulentes affectent la façon dont l’énergie circule entre le plasma et le réacteur.

« Savoir ce que font les blobs limite fortement les performances d’ingénierie dont votre centrale électrique tokamak a besoin à la périphérie », ajoute Golfinopoulos.

Les chercheurs utilisent une technique d’imagerie unique pour capturer une vidéo du bord turbulent du plasma pendant les expériences. Une campagne expérimentale peut durer des mois ; une journée typique produira environ 30 secondes de données, correspondant à environ 60 millions d’images vidéo, avec des milliers de blobs apparaissant chaque seconde. Cela rend impossible le suivi manuel de tous les blobs, de sorte que les chercheurs s’appuient sur des techniques d’échantillonnage moyennes qui ne fournissent que des caractéristiques générales de taille, de vitesse et de fréquence de blobs.

« D’un autre côté, l’apprentissage automatique fournit une solution à ce problème en suivant blob par blob pour chaque image, pas seulement des quantités moyennes. Cela nous donne beaucoup plus de connaissances sur ce qui se passe à la limite du plasma », a déclaré Han.

Lui et ses co-auteurs ont pris quatre modèles de vision par ordinateur bien établis, qui sont couramment utilisés pour des applications telles que la conduite autonome, et les ont formés pour résoudre ce problème.

Simulation de gouttes

Pour former ces modèles, ils ont créé un vaste ensemble de données de clips vidéo synthétiques qui ont capturé la nature aléatoire et imprévisible des blobs.

« Parfois, ils changent de direction ou de vitesse, parfois plusieurs gouttes fusionnent ou se séparent. Ces types d’événements n’étaient pas pris en compte auparavant avec les approches traditionnelles, mais nous pouvions simuler librement ces comportements dans les données synthétiques », explique Han.

La création de données synthétiques leur a également permis d’étiqueter chaque blob, ce qui a rendu le processus de formation plus efficace, ajoute Drori.

À l’aide de ces données synthétiques, ils ont entraîné les modèles à tracer des limites autour des blobs, leur apprenant à imiter de près ce qu’un scientifique humain dessinerait.

Ensuite, ils ont testé les modèles à l’aide de données vidéo réelles issues d’expériences. Tout d’abord, ils ont mesuré à quel point les limites tracées par les modèles correspondaient aux contours réels des gouttes.

Mais ils voulaient aussi voir si les modèles prédisaient des objets que les humains identifieraient. Ils ont demandé à trois experts humains d’identifier les centres des blobs dans les images vidéo et ont vérifié si les modèles avaient prédit des blobs aux mêmes endroits.

Les modèles ont pu tracer des limites précises de taches, chevauchant des contours de luminosité qui sont considérés comme des vérités au sol, environ 80 % du temps. Leurs évaluations étaient similaires à celles des experts humains et ont prédit avec succès le régime défini par la théorie du blob, ce qui est en accord avec les résultats d’une méthode traditionnelle.

Maintenant qu’ils ont montré le succès de l’utilisation de données synthétiques et de modèles de vision par ordinateur pour le suivi des blobs, les chercheurs prévoient d’appliquer ces techniques à d’autres problèmes de recherche sur la fusion, comme l’estimation du transport de particules à la frontière d’un plasma, explique Han.

Ils ont également rendu l’ensemble de données et les modèles accessibles au public, et ont hâte de voir comment d’autres groupes de recherche appliquent ces outils pour étudier la dynamique des blobs, explique Drori.

« Avant cela, il y avait une barrière à l’entrée que la plupart des seules personnes travaillant sur ce problème étaient des physiciens des plasmas, qui avaient les ensembles de données et utilisaient leurs méthodes. Il existe une énorme communauté d’apprentissage automatique et de vision par ordinateur. Un objectif de ce travail est d’encourager la participation à la recherche sur la fusion de la communauté plus large de l’apprentissage automatique vers l’objectif plus large d’aider à résoudre le problème critique du changement climatique », ajoute-t-il.

Cette recherche est soutenue, en partie, par le US Department of Energy et le Swiss National Science Foundation.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

*