機械学習により核融合炉の「乱流追跡」が容易に

Jan 20, 2024

MIT ニュース オフィスの Web サイトでダウンロードできる画像は、クリエイティブ コモンズ表示、非営利、改変禁止ライセンスに基づいて、非営利団体、報道機関、および一般の人々に提供されています。 提供された画像は、サイズに合わせてトリミングする以外に変更することはできません。 画像を複製する場合はクレジットラインを使用する必要があります。 以下に提供されていない場合は、画像のクレジットを「MIT」に記載してください。

前の画像 次の画像

核融合は、太陽に電力を供給するのと同じプロセスを使用して実質的に無制限のカーボンフリーのエネルギーを約束しており、気候変動の緩和に役立つ可能性のある世界的な研究活動の中心となっています。

学際的な研究者チームは現在、この取り組みを支援するために機械学習からのツールと洞察をもたらしています。 MIT などの科学者は、コンピューター ビジョン モデルを使用して、融合反応を促進するために必要な条件下で現れる乱流構造を特定し、追跡してきました。

フィラメントまたは「ブロブ」と呼ばれるこれらの構造の形成と動きを監視することは、反応中の燃料から出る熱と粒子の流れを理解するために重要であり、最終的にはそれらの流れを満たすための原子炉壁の工学的要件を決定します。 ただし、科学者は通常、集計統計を優先して個々の構造の詳細を交換する平均化手法を使用してブロブを研究します。 個々の BLOB 情報は、ビデオ データ内で手動でマークすることによって追跡する必要があります。

研究者らは、このプロセスをより効果的かつ効率的に行うために、プラズマ乱流の合成ビデオ データセットを構築しました。 彼らはこれを使用して 4 つのコンピューター ビジョン モデルをトレーニングし、それぞれがブロブを識別して追跡しました。 彼らは、人間と同じ方法でブロブを正確に特定するようにモデルをトレーニングしました。

研究者らが実際のビデオ クリップを使用してトレーニング済みモデルをテストしたところ、モデルは高精度 (場合によっては 80% 以上) でブロブを識別できました。 モデルはまた、塊のサイズとそれらの移動速度を効果的に推定することもできました。

たった 1 回の核融合実験で何百万ものビデオ フレームがキャプチャされるため、機械学習モデルを使用してブロブを追跡することで、科学者はより詳細な情報を得ることができる可能性があります。

「以前は、これらの構造が平均して何をしているのかを巨視的に把握することができました。今では、顕微鏡と、一度に 1 つの事象を分析する計算能力があります。一歩下がってみると、利用可能な能力が明らかになります。これらの機械学習技術と、進歩を遂げるためにこれらの計算リソースを使用する方法からの研究です」と、MIT プラズマ科学・核融合センターの研究科学者であり、これらのアプローチを詳述した論文の共著者であるセオドア・ゴルフィノプロス氏は述べています。

彼の他の共著者には、主著者である物理学博士課程の Woonghee "Harry" Han が含まれます。 主著者の Iddo Drori 氏は、コンピュータ サイエンスおよび人工知能研究所 (CSAIL) の客員教授、ボストン大学の准教授、コロンビア大学の非常勤講師です。 MIT プラズマ科学・核融合センター、MIT 土木・環境工学部、スイス連邦工科大学ローザンヌ校などからも参加しています。 この研究は今日、Nature Scientific Reports に掲載されます。

物事を加熱する

70 年以上にわたり、科学者たちは制御された熱核融合反応を利用してエネルギー源を開発することを模索してきました。 核融合反応に必要な条件に達するには、燃料を摂氏 1 億度以上の温度に加熱する必要があります。 （太陽の中心部の温度は約1500万度です。）

プラズマと呼ばれるこの超高温の燃料を封じ込める一般的な方法は、トカマクを使用することです。 これらの装置は、非常に強力な磁場を利用してプラズマを所定の位置に保持し、プラズマからの排熱と反応器壁の間の相互作用を制御します。

ただし、プラズマと反応器の壁の間の端では、プラズマからフィラメントが落ちているようにブロブが見えます。 これらのランダムな乱流構造は、プラズマとリアクターの間のエネルギーの流れに影響を与えます。

「ブロブが何をしているのかを知ることは、トカマク発電所のエッジで必要なエンジニアリング性能を強く制約します」とゴルフィノプロス氏は付け加えた。

研究者らは、独自の画像技術を使用して、実験中にプラズマの乱流端のビデオを撮影しました。 実験的なキャンペーンは数か月続く場合があります。 一般的な 1 日では、約 6,000 万のビデオ フレームに相当する約 30 秒のデータが生成され、毎秒数千の blob が表示されます。 これにより、すべてのブロブを手動で追跡することが不可能になるため、研究者はブロブのサイズ、速度、頻度の広範な特性のみを提供する平均サンプリング手法に依存しています。

「一方、機械学習は、平均量だけでなく、フレームごとにブロブごとに追跡することで、この問題に対する解決策を提供します。これにより、プラズマの境界で何が起こっているかについて、より多くの情報が得られます」とハン氏は言います。

彼とその共著者らは、自動運転などのアプリケーションに一般的に使用される 4 つの確立されたコンピューター ビジョン モデルを採用し、この問題に取り組むようにトレーニングしました。

BLOB のシミュレーション

これらのモデルをトレーニングするために、ブロブのランダムで予測不可能な性質を捉えた合成ビデオ クリップの膨大なデータセットを作成しました。

「時には方向や速度が変わり、時には複数のブロブが結合したり、バラバラになったりします。この種のイベントは従来のアプローチではこれまで考慮されていませんでしたが、合成データでそれらの動作を自由にシミュレートできました」とハン氏は言います。

合成データを作成することで、各ブロブにラベルを付けることもでき、トレーニング プロセスがより効果的になったと Drori 氏は付け加えています。

これらの合成データを使用して、彼らはブロブの周囲に境界線を描くようにモデルをトレーニングし、人間の科学者が描くものを厳密に模倣するように教えました。

次に、実験で得られた実際のビデオ データを使用してモデルをテストしました。 まず、モデルが描いた境界が実際のブロブの輪郭とどの程度一致しているかを測定しました。

しかし彼らは、そのモデルが人間が識別するであろう物体を予測するかどうかも確認したいと考えていました。 彼らは 3 人の人間の専門家にビデオ フレーム内のブロブの中心を正確に特定するよう依頼し、モデルが同じ位置にブロブを予測したかどうかを確認しました。

モデルは、約 80% の確率で、正確なブロブ境界を描画することができ、グラウンドトゥルースと考えられる輝度等高線と重なり合いました。 彼らの評価は人間の専門家の評価と同様であり、理論的に定義されたブロブの領域を予測することに成功し、これは従来の方法の結果と一致しました。

合成データとコンピュータービジョンモデルを使用してブロブを追跡することに成功したことを示したので、研究者らはこれらの技術をプラズマ境界での粒子輸送の推定など、核融合研究の他の問題に適用する予定だとハン氏は言う。

彼らはまた、データセットとモデルを一般公開しており、他の研究グループがこれらのツールをどのように適用してブロブのダイナミクスを研究するかを見ることを楽しみにしている、とドロリ氏は言います。

「これまでは、この問題に取り組んでいるのはほとんどプラズマ物理学者だけという参入障壁がありました。プラズマ物理学者はデータセットを持っていて、その手法を使用していました。巨大な機械学習とコンピューター ビジョンのコミュニティがあります。この取り組みは、気候変動という重大な問題の解決を支援するという広範な目標に向けて、より広範な機械学習コミュニティから融合研究への参加を奨励することです」と彼は付け加えた。

この研究は、米国エネルギー省とスイス国立科学財団によって部分的に支援されています。

MITの研究者らは、制御された核融合研究で生成されたプラズマの塊を識別して追跡できる新しい機械学習モデルを開発したと、ニューズウィーク誌のエド・ブラウンが報じた。 「核融合研究は、多くの分野の技術を必要とする複雑で学際的なプロジェクトです」と大学院生のウンヒ・“ハリー”・ハンは説明する。

前の項目 次の項目

前の項目 次の項目