I ricercatori del MIT hanno avanzato esperimenti di fusione sviluppando un metodo per prevedere con precisione il comportamento del plasma utilizzando immagini di telecamere e intelligenza artificiale. Questa tecnica fornirà approfondimenti sulla dinamica del plasma, essenziali per ottenere la produzione netta di energia da fusione.
Le reti neurali guidate dalla fisica stanno creando nuovi modi per osservare la complessità dei plasmi.
Gli esperimenti di fusione si svolgono in condizioni estreme, con materia a temperatura estremamente elevata contenuta in camere a vuoto specializzate (Tokamak). Queste condizioni limitano la capacità degli strumenti diagnostici di raccogliere dati sui plasmi di fusione. Inoltre, i modelli computerizzati dei plasmi sono molto complessi e hanno difficoltà a caratterizzare i plasmi turbolenti. Ciò rende difficile confrontare i modelli con le misurazioni dei dispositivi di fusione sperimentali.
Collegare la modellazione e gli esperimenti del plasma
In risposta, i ricercatori hanno dimostrato un nuovo modo per collegare la modellazione del plasma e gli esperimenti. Utilizzando le immagini delle telecamere installate abitualmente nei dispositivi di fusione con un filtro ottico, i ricercatori hanno sviluppato una tecnica per dedurre la densità elettronica e le fluttuazioni di temperatura. In questo modo gli scienziati possono utilizzare queste informazioni negli esperimenti per prevedere i campi di plasma in modo coerente con la teoria.
Sfide nella modellazione predittiva
La modellazione predittiva della turbolenza del plasma negli esperimenti di fusione è impegnativa. Ciò è dovuto alla difficoltà nel modellare le condizioni ai confini di questi sistemi caotici. Utilizzando un approccio personalizzato basato sulla fisica per l’apprendimento automatico, i ricercatori hanno sviluppato un quadro in grado di risolvere direttamente le proprietà del plasma che di solito non vengono risolte nei limiti dei dispositivi di fusione sperimentali.
Ciò consentirà agli scienziati di prevedere come si comportano le fluttuazioni del plasma negli esperimenti. Consentirà inoltre di testare modelli predittivi in modo coerente con la teoria.
Questo tipo di modellazione della turbolenza non era precedentemente praticabile.
Importanza del confinamento nei plasmi di fusione
Un adeguato confinamento dei plasmi da fusione è essenziale per raggiungere l’obiettivo della produzione netta di energia da fusione. Una componente chiave nella previsione del confinamento è comprendere i modi in cui le instabilità del plasma possono causare il raffreddamento e la perdita di prestazioni all’interno del dispositivo di fusione. Di conseguenza, gli scienziati hanno trascorso decenni a migliorare le capacità di misurazione degli esperimenti per perfezionare i modelli predittivi.
Tuttavia, le temperature estreme e le condizioni di vuoto necessarie per la fusione rendono molto difficile l’implementazione della diagnostica all’interno dei dispositivi di fusione. I ricercatori del Massachusetts Institute of Technology hanno recentemente pubblicato due articoli che affrontano questa sfida.
Ricerca innovativa dal MIT
Nel primo articolo, i ricercatori hanno dimostrato come i conteggi di fotoni, raccolti dalle fotocamere veloci comunemente applicate, possono essere convertiti in densità di elettroni e fluttuazioni di temperatura su scale turbolente utilizzando un nuovo quadro di intelligenza artificiale basato sulla fisica che combina dati sperimentali con modelli radiativi e teoria cinetica. I risultati ottenuti sono nuove intuizioni sperimentali sulla dinamica del plasma precedentemente non osservata.
Nel secondo articolo, il team ha utilizzato queste informazioni dinamiche sugli elettroni, insieme a una teoria della turbolenza del plasma ampiamente utilizzata, per prevedere le fluttuazioni del campo elettrico direttamente coerenti con le equazioni derivate da un contesto sperimentale. Questo lavoro va oltre i metodi numerici convenzionali e utilizza invece architetture di reti neurali basate sulla fisica appositamente create per sviluppare un nuovo tipo di modellazione per le proprietà non lineari dei plasmi. Questo lavoro apre nuovi percorsi scientifici per comprendere se le previsioni teoriche corrispondono alle osservazioni.
Fonte: Physical Review Letters
