Una delle tecnologie che in futuro ci permetteranno di avere energia pulita e illimitata è quella dei reattori a fusione nucleare.
Queste tecnologie in continua evoluzione grazie a nuovi modelli matematici promettono all’umanità un futuro energeticamente sicuro e sostenibile.
I modelli matematici possono dare ai ricercatori informazioni sul comportamento del plasma alla base del funzionamento dei reattori a fusione nucleare, nonché fornire informazioni preziose sull’efficacia della progettazione e del funzionamento del reattore stesso.
Tuttavia, per modellare le numerose interazioni del plasma è necessario utilizzare una serie di modelli specializzati che non sono abbastanza veloci nel fornire dati sulla progettazione e il funzionamento del reattore.
Aaron Ho del gruppo Science and Technology of Nuclear Fusion del dipartimento di fisica applicata dell’Università di tecnologia di Eindhoven ha esplorato la possibilità di ricorrere all’intelligenza artificiale per accelerare la trasmissione dei dati del movimento turbolento del plasma nel core del reattore.
Il traguardo che la ricerca sui reattori a fusione nucleare vuole raggiungere è quella di ottenere un guadagno netto di potenza in modo economicamente sostenibile. Per raggiungere questo importante obiettivo, sono stati progettati e realizzati reattori molto complessi e di grandi dimensioni.
Tuttavia, con l’aumento delle dimensioni e della complessità di questi dispositivi, diventa sempre più importante adottare un approccio previsionale per quanto riguarda il loro funzionamento. Questo porta a una riduzione delle inefficienze operative e protegge la macchina da gravi danni.
Per simulare un sistema così complesso sono necessari modelli numerici in grado di tenere conto di tutti i fenomeni rilevanti nei reattori a fusione nucleare. Questi modelli devono essere sufficientemente accurati da poter utilizzare previsioni in grado di prendere decisioni di progettazione affidabili e devono inoltre essere abbastanza veloci da trovare rapidamente soluzioni praticabili.
Reti neurali e reattori a fusione nucleare
Aaron Ho per la sua ricerca di dottorato ha sviluppato una tecnica in grado di soddisfare questi criteri utilizzando un modello basato sull’intelligenza artificiale. Questa tecnica innovativa permette a un modello di mantenere velocità e accuratezza a scapito della raccolta dei dati.
Questo tipo di approccio è stato applicato a un modello di turbolenza di ordine ridotto, QuaLiKiz, che prevede le quantità di trasporto del plasma causate dalla microturbulenza.
Questo particolare fenomeno è il meccanismo di trasporto che prevale nei reattori a fusione nucleare al plasma di tipo tokamak. Sfortunatamente, il suo calcolo è anche il fattore di velocità limitante nell’attuale modellazione del plasma in questo tipo di macchina.
Aaron Ho è riuscito ad addestrare in maniera efficace un modello di rete neurale con valutazioni QuaLiKiz utilizzando dati sperimentali come input di addestramento. L’intelligenza artificiale che ne è derivata è stata quindi accoppiata a un framework di modellazione integrato più ampio, JINTRAC, per simulare il core dei reattori a fusione nucleare.
Riduzione dei tempi di simulazione dei core
Le prestazioni e le capacità della rete neurale sono state esaminate sostituendo il modello QuaLiKiz originale con il modello di rete neurale sviluppata da Aaron Ho e confrontando poi i risultati ottenuti.
Rispetto al modello QuaLiKiz originale, il modello proposto da Ho ha preso in considerazione ulteriori modelli fisici e ha duplicato i risultati con una precisione del 10% riducendo il tempo di simulazione da 217 ore su 16 core a due ore su un singolo nucleo al plasma (Core).
Quindi, per testarne l’efficacia al di fuori dei dati delle simulazioni, il modello è stato utilizzato in un esercizio di ottimizzazione utilizzando il sistema accoppiato su uno scenario di accelerazione del plasma come prova di principio. Questo studio ha fornito una comprensione più profonda della fisica alla base delle osservazioni sperimentali e ha messo in evidenza il vantaggio dei modelli al plasma veloci, accurati e dettagliati.
Aaron Ho ha inoltre suggerito che il modello basato sulle reti neurali può avere anche altre applicazioni sia come controller che come progettazione sperimentale. Raccomanda inoltre di applicare la nuova tecnica ad altri modelli fisici, in quanto è stato osservato che le previsioni di trasporto turbolento non sono più un fattore limitante.
Questo porterebbe un ulteriore miglioramento dell’applicabilità del modello integrato nelle applicazioni iterative e consentirebbe gli sforzi di convalida necessari per spingere le sue capacità più vicino a un modello veramente predittivo.
