Weiche Roboter können an schwer zugänglichen Orten wie Röhren oder im menschlichen Körper navigieren - ScienceDaily

Maschinelles Lernen erleichtert die „Verfolgung von Störungen“ in Fusionsreaktoren – ScienceDaily

Fusion, die praktisch unbegrenzte, kohlenstofffreie Energie ist, die dieselben Prozesse nutzt, die die Sonne antreiben, steht im Mittelpunkt einer globalen Forschungsanstrengung, die zur Eindämmung des Klimawandels beitragen könnte.

Ein multidisziplinäres Forscherteam bringt nun Instruments und Erkenntnisse aus dem maschinellen Lernen ein, um diese Bemühungen zu unterstützen. Wissenschaftler vom MIT und anderswo haben Laptop-Imaginative and prescient-Modelle verwendet, um ungeordnete Strukturen zu identifizieren und zu verfolgen, die unter den Bedingungen entstehen, die zur Erleichterung von Fusionsreaktionen erforderlich sind.

Die Beobachtung der Bildung und Bewegungen dieser Strukturen, die Filamente oder „Blobs“ genannt werden, ist wichtig, um die Wärme- und Partikelströme aus dem Reaktionsbrennstoff zu verstehen, was letztendlich die technischen Anforderungen an Reaktorwände bestimmt, um diesen Strömen gerecht zu werden. Wissenschaftler untersuchen Blobs jedoch normalerweise mit Mittelungstechniken, bei denen Particulars einzelner Strukturen zugunsten aggregierter Statistiken ausgetauscht werden. Einzelne Huge Binary Information-Informationen müssen nachverfolgt werden, indem sie manuell in den Videodaten markiert werden.

Die Forscher erstellten einen synthetischen Videodatensatz der Plasmastörung, um diesen Prozess effizienter und effektiver zu machen. Sie verwendeten es, um vier Laptop-Imaginative and prescient-Modelle zu trainieren, von denen jedes Blobs identifiziert und verfolgt. Sie trainierten die Modelle, Punkte genau wie Menschen zu erkennen.

Als die Forscher die trainierten Modelle mit echten Movies testeten, konnten die Modelle Blobs mit hoher Genauigkeit identifizieren – in einigen Fällen mit mehr als 80 Prozent. Die Modelle waren auch in der Lage, die Größe der Punkte und die Geschwindigkeit, mit der sie sich bewegen, effektiv abzuschätzen.

Da Millionen von Videobildern während nur eines Fusionsexperiments erfasst werden, kann die Verwendung von Modellen des maschinellen Lernens zur Verfolgung von Punkten den Wissenschaftlern detailliertere Informationen liefern.

„Früher konnten wir uns ein makroskopisches Bild davon machen, was diese Strukturen im Durchschnitt tun. Jetzt haben wir ein Mikroskop und die Rechenleistung, um ein Ereignis nach dem anderen zu analysieren. Wenn wir einen Schritt zurückgehen, zeigt dies die verfügbare Leistung von diesen maschinellen Lerntechniken und Möglichkeiten, diese Rechenressourcen zu nutzen, um Fortschritte zu erzielen“, sagt Theodore Gulfinopoulos, ein Forschungswissenschaftler am MIT Plasma Science and Fusion Heart und Mitautor einer Forschungsarbeit, in der diese Methoden detailliert beschrieben werden.

Zu seinen Mitautoren gehört Wonghee „Harry“ Han, ein Doktorand der Physik. leitender Autor Iddo Drori, Gastprofessor am Laptop Science and Synthetic Intelligence Laboratory (CSAIL), außerordentlicher Professor an der Boston College und Lehrbeauftragter an der Columbia College; Sowie andere vom MIT Plasma Science and Fusion Heart, dem MIT Division of Civil and Environmental Engineering und der Eidgenössischen Technischen Hochschule in Lausanne, Schweiz. Die Forschung erscheint heute in Nature Scientific Studies.

Dinge aufheizen

Seit mehr als 70 Jahren versuchen Wissenschaftler, kontrollierte thermonukleare Fusionsreaktionen zu nutzen, um eine Energiequelle zu entwickeln. Um die für die Fusionsreaktion notwendigen Bedingungen zu erreichen, muss der Brennstoff auf Temperaturen von über 100 Millionen Grad Celsius erhitzt werden. (Der Kern der Sonne hat etwa 15 Millionen Grad Celsius.)

Eine übliche Methode, diesen überhitzten Brennstoff, Plasma genannt, einzudämmen, ist die Verwendung von Tokamak. Diese Geräte verwenden extrem starke Magnetfelder, um das Plasma an Ort und Stelle zu halten und die Wechselwirkung zwischen der Abwärme des Plasmas und den Reaktorwänden zu steuern.

Die Blobs sehen jedoch aus wie Filamente, die ganz am Rand zwischen Plasma und Reaktorwänden aus dem Plasma herausfallen. Diese turbulenten Zufallsstrukturen beeinflussen den Energiefluss zwischen dem Plasma und dem Reaktor.

„Zu wissen, was die beiden Punkte tun, schränkt die technische Leistung, die Ihr Tokamak-Kraftwerk am Rand benötigt, stark ein“, fügt Golfinopoulos hinzu.

Die Forscher verwenden eine einzigartige Bildgebungstechnik, um während der Experimente Movies des turbulenten Randes des Plasmas aufzunehmen. Eine Probekampagne kann Monate dauern; An einem typischen Tag würde es etwa 30 Sekunden Daten produzieren, was ungefähr 60 Millionen Videoframes entspricht, wobei jede Sekunde Tausende von Punkten auftauchen. Dies macht es unmöglich, alle Punkte manuell zu verfolgen, daher verlassen sich die Forscher auf durchschnittliche Abtasttechniken, die nur allgemeine Merkmale der Punktgröße, Geschwindigkeit und Frequenz liefern.

„Auf der anderen Seite bietet maschinelles Lernen eine Lösung dafür, indem es jeden Body Punkt für Punkt verfolgt, nicht nur durchschnittliche Mengen. Dies gibt uns mehr Wissen darüber, was an der Plasmagrenze passiert“, sagt Han.

Er und seine Kollegen nahmen vier etablierte Laptop-Imaginative and prescient-Modelle, die häufig für Anwendungen wie das autonome Fahren verwendet werden, und trainierten sie, um dieses Drawback anzugehen.

Punktsimulation

Um diese Modelle zu trainieren, erstellten sie einen riesigen Datensatz synthetischer Movies, die die zufällige und unerwartete Natur der Punkte erfassten.

„Manchmal ändern sie die Richtung oder Geschwindigkeit, und manchmal verschmelzen oder teilen sich mehrere Punkte. Diese Artwork von Ereignissen wurde vor der Verwendung traditioneller Methoden nicht berücksichtigt, aber wir können dieses Verhalten in synthetischen Daten frei simulieren“, sagt Han.

Drury fügt hinzu, dass die Erstellung synthetischer Daten es ihnen auch ermöglichte, jeden Punkt zu kennzeichnen, wodurch der Trainingsprozess effizienter wurde.

Anhand dieser synthetischen Daten trainierten sie die Modelle, Grenzen um Punkte zu ziehen, und brachten ihnen bei, genau nachzuahmen, was ein menschlicher Wissenschaftler zeichnen könnte.

Dann testeten sie die Modelle mit echten Videodaten aus den Experimenten. Zunächst maßen sie, wie nah die von den Modellen gezogenen Grenzen an den tatsächlichen Punktgrenzen lagen.

Aber sie wollten auch sehen, ob die Modelle vorhersagten, was Menschen bestimmen würden. Sie baten drei menschliche Experten, die Mittelpunkte von Punkten in Videobildern zu bestimmen, und untersuchten sie, um zu sehen, ob die Modelle Punkte an denselben Orten vorhersagten.

Die Modelle waren in der Lage, genaue Rasterstriche zu zeichnen, wobei die Helligkeitslinien in etwa 80 Prozent der Fälle überlappten, was eine wichtige Tatsache ist. Ihre Bewertungen ähnelten denen menschlicher Experten, und sie sagten das theoriedefinierte Punktesystem erfolgreich voraus, was mit den Ergebnissen der traditionellen Methode übereinstimmt.

Nachdem sie nun den Erfolg der Verwendung von Zusammensetzungsdaten und Laptop-Imaginative and prescient-Modellen zur Verfolgung von Punkten demonstriert haben, planen die Forscher, diese Techniken auf andere Probleme in der Fusionsforschung anzuwenden, beispielsweise die Schätzung des Teilchentransports an Plasmagrenzen, sagt Hahn.

Sie haben den Datensatz und die Modelle auch öffentlich zugänglich gemacht und freuen sich darauf zu sehen, wie andere Forschungsgruppen diese Instruments anwenden, um die Blob-Dynamik zu untersuchen, sagt Drury.

“Früher gab es eine Eintrittsbarriere, dass an diesem Drawback oft nur Plasmaphysiker arbeiteten, die die Datensätze besitzen und ihre Methoden anwenden. Es gibt eine riesige Neighborhood für maschinelles Lernen und Laptop Imaginative and prescient. Eines der Ziele davon.” Die Arbeit besteht darin, die Teilnahme an der Forschungsintegration der breiteren Gemeinschaft des maschinellen Lernens zu fördern, um das umfassendere Ziel zu erreichen, zur Lösung des kritischen Issues des Klimawandels beizutragen.“

Diese Forschung wird teilweise vom US Division of Power und dem Schweizerischen Nationalfonds unterstützt.

#Maschinelles #Lernen #erleichtert #die #Verfolgung #von #Störungen #Fusionsreaktoren #ScienceDaily

Leave a Comment

Your email address will not be published. Required fields are marked *