Το Εργαστήριο Πανεπιστημίου του Ρότσεστερ για την ενεργειακή Laser (LLE) είναι εξοπλισμένο με το Omega Laser, την κορυφαία εγκατάσταση ακαδημαϊκού λέιζερ στον κόσμο. Με μια ματιά, μοιάζει με ένα περίπλοκο μαρμάρινο διάδρομο φωτεινών σωματιδίων και πλάσματος, ικανό να χωρίσει και να ενισχύσει μια δέσμη πριν την εστιάσει σε ένα μικροσκοπικό στόχο. Η βασική του αποστολή είναι να διερευνήσει τα αστροφυσικά φαινόμενα, τα δοκιμαστικά υλικά σε ακραίες πιέσεις ατομικής κλίμακας και να εργαστούν για να προωθήσουν την έρευνα για σύντηξη.
Χάρη σε επιχορήγηση ύψους 503 εκατομμυρίων δολαρίων μέχρι το 2024 από την Εθνική Υπηρεσία Πυρηνικής Ασφάλειας του Υπουργείου Ενέργειας (DOE), το Εργαστήριο Laser Rochester δημιούργησε ιδανικές συνθήκες για τη διεξαγωγή αυτών των κρίσιμων μελετών. Το LaSer Lab διεξάγει σύνθετα πειράματα σύντηξης μία φορά το μήνα και οι επιστήμονες έχουν περίπου πέντε ευκαιρίες για να πυροβολούν λέιζερ και να καταγράφουν δεδομένα. Μέσω προσομοιώσεων υπολογιστών πεδίου πολλαπλών φυσικών, οι επιστήμονες είναι σε θέση να αποκτήσουν μια βαθύτερη κατανόηση του πλάσματος σύντηξης, στα πειράματα σχεδιασμού και να ερμηνεύσουν τα αποτελέσματα, παρόλο που αυτές οι προσομοιώσεις δεν μπορούν να αναπαράγουν πλήρως όλες τις πειραματικές λεπτομέρειες.
Το πείραμα ξεκίνησε με μια πλαστική κάψουλα που περιείχε κατεψυγμένο δευτεροειδές-τρίνιο, μόλις χιλιοστά σε διάμετρο, σε θερμοκρασία 20 βαθμών πάνω από το απόλυτο μηδέν ", δήλωσε ο διευθυντής LLE Christopher Deeney. διάμετρος μικρότερη από ένα ανθρώπινο σκέλος μαλλιών και η θερμοκρασία ανέρχεται σε πάνω από 30 εκατομμύρια βαθμούς. " Όχι μόνο αυτή η διαδικασία απαιτεί μια βαθιά γνώση της φυσικής, αλλά οι προηγμένες τεχνικές διαγνωστικών πρέπει επίσης να χρησιμοποιηθούν για να μετρηθούν λεπτομερώς όλα τα φαινόμενα που εμφανίζονται σε αυτή τη στιγμή.
Για να επωφεληθούν από τον πλούτο των δεδομένων που συλλέγονται από αυτές τις προηγμένες τεχνικές διαγνωστικών και να επιταχύνουν ευρύτερα την έρευνα για σύντηξη, οι επιστήμονες LLE στρέφονται προς την τεχνητή νοημοσύνη (AI) και άλλες προηγμένες υπολογιστικές τεχνολογίες.
Για περισσότερα από 50 χρόνια, η LLE προωθεί ενεργά και αντιμετωπίζει τις βασικές προκλήσεις στον τομέα της σύντηξης αδρανειακής περιορισμού (ICF). Το ICF αναγνωρίζεται ευρέως στην επιστημονική κοινότητα ως την πιο ελπιδοφόρα προσέγγιση για την επίτευξη ελεγχόμενης θερμοπυρηνικής σύντηξης και αντιπροσωπεύει μια πολλά υποσχόμενη καθαρή τεχνολογία ανανεώσιμων πηγών ενέργειας.
Ο Christopher Kanan, αναπληρωτής καθηγητής της επιστήμης των υπολογιστών στο Πανεπιστήμιο του Ρότσεστερ, εξηγεί: "Το ICF είναι ουσιαστικά ένα αντίστροφο πρόβλημα φυσικής, όπου οι επιστήμονες πρέπει να αντιστρέψουν τις ακριβείς ιδιότητες του λέιζερ και του στόχου".
Η ίδια η ωμέγα δεν σχεδιάστηκε για να επιτύχει ανάφλεξη, αλλά για να προωθήσει την κατανόηση της σύντηξης άμεσης κίνησης με λέιζερ. Η Εθνική Εγκαταστάσεις Ανάφρασης στο Εθνικό Εργαστήριο Livermore, το οποίο είναι 60 φορές πιο ενεργητικό από το Omega, έχει βρει μια λύση στο αντίστροφο πρόβλημα της φυσικής και έχει ήδη επιτύχει την ανάφλεξη το 2022. Για να γεμίσουμε τα κενά στην πλήρη κατανόηση της φυσικής.
Το χάσμα της γνώσης που υπάρχει μεταξύ προσομοιώσεων και πειραμάτων προέρχεται από την πολυπλοκότητα της φυσικής, τους περιορισμούς των μετρήσεων και το ευρύ πεδίο εφαρμογής της ερευνητικής προσπάθειας, η οποία περιλαμβάνει την πυρηνική φυσική, τη φυσική του πλάσματος και την έρευνα της επιστήμης των υλικών που διεξάγονται υπό ακραίες συνθήκες που προκαλούν ακόμη Οι πιο προηγμένοι κωδικοί υπολογιστών.
Πρώτον, υπάρχει το ζήτημα του στόχου. Το πείραμα αρχίζει με μια κοίλη πλαστική σφαίρα που μπορεί να τοποθετηθεί στην άκρη ενός πείρου. Οι ερευνητές LLE χρησιμοποιούν εργαλεία ακριβείας για να δημιουργήσουν τη σφαίρα και να το γεμίσουν με ισότοπα υδρογόνου, τα οποία στη συνέχεια ψύχονται κοντά στο απόλυτο μηδέν. Η διαδικασία κατάψυξης προκάλεσε το υδρογόνο να σχηματίσει ένα στρώμα πάγου μέσα στο πλαστικό κέλυφος.
Η ερευνητική ομάδα LLE αναζητά έναν τρόπο να ανιχνεύσει με ακρίβεια τις αποχρώσεις και τα πρότυπα στα δεδομένα ως μέσο καθοδήγησης προσομοιώσεων υπολογιστών για την παραγωγή ακριβέστερων προβλέψεων. Αυτή η βελτιωμένη ικανότητα πρόβλεψης με τη σειρά του θα βελτιώσει τα πειράματα σύντηξης και θα οδηγήσει την επόμενη γενιά έρευνας σύντηξης και τεχνολογίας λέιζερ.
Η τεχνητή νοημοσύνη, και ειδικότερα η εκμάθηση της μηχανής υποχώρησης, μπορεί να βοηθήσει στη βελτιστοποίηση της προγνωστικής αποτελεσματικότητας των κωδικών υπολογιστών και στη βελτίωση των προβλέψεων μέσω της εμπειρίας. Η μηχανική μάθηση όχι μόνο εκτελεί προγνωστικά αναλυτικά στοιχεία, αλλά και επεξεργάζεται δεδομένα, συνάγει τις σχέσεις και εφαρμόζει αυτή τη γνώση στις λειτουργίες της.
Ο Riccardo Betti, ο επικεφαλής επιστήμονας του LLE και ο καθηγητής Robert L. McCrory στο Τμήμα Μηχανολόγων Μηχανικών και το Τμήμα Φυσικής και Αστρονομίας στο Πανεπιστήμιο του Ρότσεστερ, σημείωσαν: "Έχουμε τώρα ένα μεγάλο ποσό πειραματικών δεδομένων που με τη βοήθεια του Μηχανική μάθηση, μπορεί να χρησιμοποιηθεί για τη διόρθωση προσομοιώσεων και καθοδήγησης προσαρμογών σε πραγματικό χρόνο σε πειράματα.
Η ερευνητική εργασία του Betti και του Kanan βασίζεται σε πρόσφατες εξελίξεις στην γενετική τεχνητή νοημοσύνη, μια τεχνική AI που παράγει δεδομένα και άλλες μορφές παραγωγής, όπως κείμενο και βίντεο. Η ερευνητική ομάδα του Πανεπιστημίου του Ρότσεστερ χρησιμοποιεί αυτούς τους προηγμένους αλγόριθμους για την επίλυση αντίστροφων προβλημάτων φυσικής για τη βελτίωση της ακρίβειας των προσομοιώσεων. Το πρόγραμμα Fusion Energy Sciences (FES) του Υπουργείου Ενέργειας (FES) έχει προσφέρει περίπου 3 εκατομμύρια δολάρια σε υποστήριξη χρηματοδότησης για την έρευνα αυτή, η οποία αναμένεται να ολοκληρωθεί μέχρι το 2026.
Ο Riccardo Betti πρόσθεσε: "Ο στόχος μας είναι να βελτιώσουμε τις προβλέψεις προσομοίωσης με τη βοήθεια του γενετικού AI και να συμπεράνουμε με ακρίβεια τις ιδιότητες των αλληλεπιδράσεων με λέιζερ στο στόχο.
Ο Δρ Varchas Gopalaswamy, επιστήμονας στο τμήμα θεωρίας του LLE και βοηθός καθηγητή μηχανικής μηχανικής, δηλώνει: "Μόλις αντιληφθούμε μια διαφορά μεταξύ των προβλέψεων προσομοίωσης και των πειραματικών αποτελεσμάτων, είμαστε σε θέση να εφαρμόσουμε την εκμάθηση μηχανών να συμβιβαστούν τα δύο". Εξηγεί περαιτέρω: "Εάν μια μεταβλητή αλλαγή στο πείραμα, μπορεί η προσομοίωση να ανταποκριθεί ανάλογα; Θα αντικατοπτρίζεται αυτή η απάντηση στο πείραμα; . " Ο Gopalaswamy πρόσθεσε: "Με την βαθύτερη ανάλυση των μοτίβων της μηχανικής μάθησης στα δεδομένα, μπορέσαμε να διατυπώσουμε νέες υποθέσεις, να διερευνήσουμε διαφορετικά φυσικά φαινόμενα και να σχεδιάσουμε καλύτερα πειράματα".
Ο Gopalaswamy σημείωσε επίσης: "Μία από τις προκλήσεις της αντιμετώπισης του ICF είναι ότι τα πειραματικά δεδομένα σύντηξης που χρησιμοποιήσαμε για να εκπαιδεύσουμε το AI ήταν σχετικά περιορισμένη σε σύγκριση με την τεράστια βάση δεδομένων των εικόνων CAT. Στην περίπτωση αυτή, είναι ιδιαίτερα δύσκολο να χρησιμοποιηθούν τα διαθέσιμα εμπειρικά δεδομένα Για να γεφυρώσω το χάσμα της γνώσης.
Η Αμερικανική Φυσική Εταιρεία αναγνώρισε το έργο των Betti, Gopalaswamy και άλλων επιστημόνων LLE με το βραβείο John Dawson για την αριστεία στην έρευνα φυσικής πλάσματος για τα πρωτοποριακά τους επιτεύγματα στην πρόβλεψη, το σχεδιασμό και την ανάλυση των πειραμάτων των καταστημάτων με το 30 KJ Omega Laser.
Η τεχνητή έρευνα και η εκμάθηση της μηχανικής μάθησης στο Rochester Laser Laseratory συνέβαλε επίσης σε μια σειρά από ανακαλύψεις από τον Dustin Froula, διευθυντή του τμήματος επιστήμης και μηχανικών Laser και της ομάδας του Plasma and Ultrafast Laser και την ομάδα του. Κατά τη διάρκεια της καριέρας του, η Froula και η ομάδα του έχουν αναπτύξει μια ποικιλία τεχνικών, συμπεριλαμβανομένου ενός για τη μέτρηση της θερμοκρασίας του πλάσματος μέσω της διασποράς Thomson, και έχουν ακόμη σπάσει το νέο έδαφος σε τεχνικές "Fly-Focus" ή τον έλεγχο της έντασης λέιζερ σε μεγάλες αποστάσεις. και η μηχανική μάθηση επανασυνδέει τον τρόπο με τον οποίο σχεδιάζουμε πειράματα, επιτρέποντάς μας να οικοδομήσουμε καλύτερα λέιζερ, όπως οραματίζουμε τις εγκαταστάσεις επόμενης γενιάς. Εξηγεί περαιτέρω: "Πολλαπλά χρώματα στο φάσμα της δέσμης λέιζερ θα βοηθήσουν το πλάσμα να διαδοθεί πιο αποτελεσματικά μέσω της δέσμης και το AI μας βοηθά να κατανοήσουμε τις σύνθετες αλληλεπιδράσεις μεταξύ αυτών των διαφορετικών χρωμάτων και του πλάσματος".
Τέλος, το Κέντρο για την Έρευνα για την Πυρηνική σύντηξη του Τμήματος Ενέργειας έδωσε στον ορισμό ενός εθνικού ερευνητικού κέντρου που σχεδιάστηκε για να προωθήσει την αδρανειακή ενέργεια σύντηξης (IFE), μια πολλά υποσχόμενη τεχνολογία καθαρής ενέργειας που βασίζεται στη σύντηξη των ατόμων με βαρύ υδρογόνο (δευτέριο και τρίνιο) για την παραγωγή ενέργειας.
Βασιζόμενοι στα διεπιστημονικά ερευνητικά πλεονεκτήματα του Πανεπιστημίου του Ρότσεστερ, η LLE έχει προσλάβει επιτυχώς αρκετούς φοιτητές για να ενισχύσει την εφαρμογή της τεχνητής νοημοσύνης και της μηχανικής μάθησης σε συγκλίνουσα έρευνα.
Σύμφωνα με τον Gopalaswamy, "Ο στόχος μας είναι να εμπνεύσουμε τους μαθητές με ένα συνεχιζόμενο πάθος για την εκμάθηση μηχανών να ενισχύσουμε περαιτέρω την ακρίβεια των διαγνωστικών εργαλείων μας. Πράγματι, χρειαζόμαστε εμπειρογνώμονες AI. Ωστόσο, ο ρόλος των φυσικών είναι απαραίτητος για να διασφαλίσουμε ότι τα μοντέλα είναι σωστά και επιστημονικά υγιή.
Πρόσθεσε: "Καθώς το έθνος μεταβαίνει στην καθαρή ενέργεια και τη βιώσιμη εξουσία, η εφαρμογή του AI στην έρευνα σύντηξης είναι πολλά υποσχόμενη και θα μπορούσε να γίνει ένας αναδυόμενος τομέας εργατικού δυναμικού".
Ο Valeri Goncharov, διευθυντής του τμήματος θεωρίας του LLE και καθηγητής ερευνών στο Τμήμα Μηχανολογίας, σημείωσε ότι "η τεχνητή νοημοσύνη είναι ένα σημαντικό εργαλείο για την καθοδήγηση της έρευνάς μας. Βελτιστώντας αυτά τα εργαλεία, μπορούμε να βελτιώσουμε τα ερευνητικά μας αποτελέσματα. Ενώ αυτά τα εργαλεία διευκολύνουν την έρευνα , η κινητήρια δύναμη για την καινοτομία εξακολουθεί να προέρχεται από τη νοημοσύνη μας.
