Sintezija, kuri žada praktiškai neribotą energiją be anglies, naudojant tuos pačius procesus, kurie maitina saulę, yra pasaulinių mokslinių tyrimų, galinčių padėti sušvelninti klimato kaitą, pagrindas.
Daugiadisciplininė tyrėjų komanda dabar naudoja mašininio mokymosi įrankius ir įžvalgas, kad padėtų šioms pastangoms. MIT ir kitur mokslininkai naudojo kompiuterinio matymo modelius, kad nustatytų ir sektų turbulentines struktūras, atsirandančias tokiomis sąlygomis, kurios yra būtinos sintezės reakcijoms palengvinti.
Šių struktūrų, vadinamų gijų arba „dėmių“, susidarymo ir judėjimo stebėjimas yra svarbus norint suprasti šilumos ir dalelių srautus, išeinančius iš reaguojančio kuro, o tai galiausiai lemia inžinerinius reikalavimus reaktoriaus sienelėms, kad atitiktų šiuos srautus. Tačiau mokslininkai paprastai tiria dėmeles naudodami vidurkinimo metodus, kuriais prekiaujama informacija apie atskiras struktūras, kad būtų galima gauti bendrą statistiką. Atskira blob informacija turi būti stebima, pažymint ją rankiniu būdu vaizdo įrašo duomenyse.
Tyrėjai sukūrė sintetinį vaizdo įrašų duomenų rinkinį apie plazmos turbulenciją, kad šis procesas būtų veiksmingesnis ir efektyvesnis. Jie naudojo jį treniruodami keturis kompiuterinio regėjimo modelius, kurių kiekvienas identifikuoja ir seka dėmes. Jie išmokė modelius tiksliai nustatyti dėmes taip pat, kaip ir žmonės.
Kai tyrėjai išbandė apmokytus modelius naudodami tikrus vaizdo įrašus, modeliai galėjo labai tiksliai nustatyti dėmes – kai kuriais atvejais daugiau nei 80 proc. Modeliai taip pat galėjo efektyviai įvertinti dėmių dydį ir jų judėjimo greitį.
Kadangi milijonai vaizdo kadrų yra užfiksuoti tik vieno sintezės eksperimento metu, naudojant mašininio mokymosi modelius dėmėms sekti mokslininkai galėtų gauti daug išsamesnės informacijos.
„Anksčiau galėjome susidaryti makroskopinį vaizdą, ką šios struktūros veikia vidutiniškai. Dabar turime mikroskopą ir skaičiavimo galią, kad galėtume analizuoti vieną įvykį vienu metu. Jei žengsime žingsnį atgal, tai atskleidžia šių mašininio mokymosi metodų galią ir būdus, kaip panaudoti šiuos skaičiavimo išteklius pažangai pasiekti“, – sako MIT plazmos mokslo ir sintezės centro mokslininkas Theodore’as Golfinopoulosas. – straipsnio, kuriame išsamiai aprašomi šie metodai, autorius.
Tarp jo kolegų bendraautorių yra pagrindinis autorius Woonghee „Harry“ Hanas, fizikos mokslų daktaras; vyresnysis autorius Iddo Drori, kviestinis kompiuterių mokslo ir dirbtinio intelekto laboratorijos (CSAIL) profesorius, Bostono universiteto fakulteto docentas ir Kolumbijos universiteto adjunktas; taip pat kiti iš MIT Plazmos mokslo ir sintezės centro, MIT Civilinės ir aplinkos inžinerijos departamento ir Šveicarijos federalinio technologijos instituto Lozanoje Šveicarijoje. Tyrimas pasirodo šiandien Gamtos moksliniai pranešimai.
Kaitinti daiktus
Daugiau nei 70 metų mokslininkai siekė panaudoti kontroliuojamas termobranduolinės sintezės reakcijas energijos šaltiniui sukurti. Norint pasiekti sąlygas, būtinas sintezės reakcijai, kuras turi būti kaitinamas iki aukštesnės nei 100 milijonų laipsnių Celsijaus temperatūros. (Saulės šerdyje yra apie 15 milijonų laipsnių Celsijaus.)
Įprastas būdas laikyti šį itin karštą kurą, vadinamą plazma, yra naudoti tokamaką. Šie prietaisai naudoja itin galingus magnetinius laukus, kad išlaikytų plazmą vietoje ir valdytų plazmos išmetamosios šilumos ir reaktoriaus sienelių sąveiką.
Tačiau dėmės atrodo kaip gijos, iškritusios iš plazmos pačiame krašte, tarp plazmos ir reaktoriaus sienelių. Šios atsitiktinės, turbulentinės struktūros daro įtaką energijos srautams tarp plazmos ir reaktoriaus.
„Žinojimas, ką daro dėmės, labai apriboja inžinerines savybes, kurių reikia jūsų tokamako jėgainei pakraštyje“, – priduria Golfinopoulosas.
Tyrėjai naudoja unikalią vaizdo gavimo techniką, kad eksperimentų metu užfiksuotų plazmos turbulentinį kraštą. Eksperimentinė kampanija gali trukti mėnesius; Įprastą dieną bus sukurta apie 30 sekundžių duomenų, o tai atitinka maždaug 60 milijonų vaizdo kadrų, o kiekvieną sekundę atsiranda tūkstančiai dėmių. Dėl to neįmanoma sekti visų dėmių rankiniu būdu, todėl mokslininkai remiasi vidutiniais atrankos metodais, kurie suteikia tik plačias dėmių dydžio, greičio ir dažnio charakteristikas.
„Kita vertus, mašininis mokymasis suteikia galimybę tai išspręsti, nes kiekvieną kadrą, o ne tik vidutinius kiekius, stebi dėmės po dėmės. Tai suteikia mums daug daugiau žinių apie tai, kas vyksta ties plazmos riba“, – sako Hanas.
Jis ir jo bendraautoriai paėmė keturis nusistovėjusius kompiuterinio matymo modelius, kurie dažniausiai naudojami tokioms programoms kaip savarankiškas vairavimas, ir išmokė juos spręsti šią problemą.
Imituoja dėmes
Norėdami išmokyti šiuos modelius, jie sukūrė didžiulį sintetinių vaizdo klipų duomenų rinkinį, kuriame užfiksuotas atsitiktinis ir nenuspėjamas dėmių pobūdis.
„Kartais jie keičia kryptį ar greitį, kartais susilieja kelios dėmės arba išsiskiria. Tokie įvykiai anksčiau nebuvo svarstomi naudojant tradicinius metodus, tačiau mes galėjome laisvai imituoti tokį elgesį sintetiniuose duomenyse“, – sako Hanas.
Sintetinių duomenų kūrimas taip pat leido jiems pažymėti kiekvieną dėmę, todėl mokymo procesas tapo efektyvesnis, priduria Drori.
Naudodami šiuos sintetinius duomenis, jie išmokė modelius nubrėžti ribas aplink dėmeles, mokydami juos tiksliai imituoti tai, ką nubrėžtų žmonių mokslininkas.
Tada jie išbandė modelius naudodami tikrus vaizdo duomenis iš eksperimentų. Pirmiausia jie išmatavo, kaip tiksliai modelių nubrėžtos ribos atitiko faktinius dėmių kontūrus.
Tačiau jie taip pat norėjo pamatyti, ar modeliai numatė objektus, kuriuos žmonės atpažins. Jie paprašė trijų žmonių ekspertų tiksliai nustatyti dėmių centrus vaizdo kadruose ir patikrino, ar modeliai numatė dėmes tose pačiose vietose.
Modeliai galėjo nubrėžti tikslias dėmių ribas, kurios sutampa su ryškumo kontūrais, kurie laikomi pagrindine tiesa, maždaug 80 procentų laiko. Jų vertinimai buvo panašūs į žmonių ekspertų vertinimus ir sėkmingai numatė teorijoje apibrėžtą dėmės režimą, kuris sutampa su tradicinio metodo rezultatais.
Dabar, kai jie įrodė, kad sėkmingai naudojami sintetiniai duomenys ir kompiuterinio matymo modeliai dėmėms sekti, mokslininkai planuoja pritaikyti šiuos metodus kitoms sintezės tyrimų problemoms spręsti, pavyzdžiui, įvertinti dalelių pernešimą ties plazmos riba, sako Hanas.
Jie taip pat paskelbė duomenų rinkinį ir modelius viešai prieinamus ir tikisi, kaip kitos tyrimų grupės taikys šiuos įrankius dėmių dinamikai tirti, sako Drori.
„Prieš tai buvo kliūtis patekti į rinką, nes dažniausiai vieninteliai žmonės, dirbantys su šia problema, buvo plazmos fizikai, kurie turėjo duomenų rinkinius ir naudojo savo metodus. Yra didžiulė mašininio mokymosi ir kompiuterinio matymo bendruomenė. Vienas iš šio darbo tikslų yra paskatinti platesnę mašininio mokymosi bendruomenę dalyvauti branduolių sintezės tyrimuose, siekiant platesnio tikslo – padėti išspręsti kritinę klimato kaitos problemą“, – priduria jis.
Šį tyrimą iš dalies remia JAV Energetikos departamentas ir Šveicarijos nacionalinis mokslo fondas.
Paspauskite Paminėjimai
Newsweek
MIT mokslininkai sukūrė naują mašininio mokymosi modelį, kuris gali atpažinti ir sekti plazmos dėmes, susidariusias atliekant kontroliuojamus branduolių sintezės tyrimus, praneša Ed Browne. Newsweek. „Susiliejimo tyrimai yra sudėtingas, daugiadisciplinis projektas, kuriam reikalingos technologijos iš daugelio sričių“, – aiškina absolventas Woonghee „Harry“ Hanas.
