Молодой ученый из нидерландского университета создал нейросетевой алгоритм, позволяющий радикально ускорить моделирование поведения плазмы в термоядерном реакторе.
Чем сложнее научная или инженерная задача, тем большую роль в ее решении играет компьютерное моделирование. Это правило почти всегда подтверждается практикой, и современная физика — не исключение. Работающий термоядерный реактор, выдающий хотя бы столько же энергии, сколько было затрачено на его запуск и функционирование, — Святой Грааль для современных ученых. И подступиться к нему мешает невероятно высокая вычислительная сложность моделей, описывающих поведение плазмы в такой установке.
А учитывая стоимость любых стеллараторов и токамаков, при проведении на них экспериментов крайне желательно избежать ошибок. И время дорого, и повреждений установок лучше не допускать. Поэтому ценность моделей тоже повышается: ученым проще и безопаснее сначала проверять свои гипотезы в симуляциях. Получается, одним из ограничивающих факторов при продвижении прогресса в области управляемой термоядерной реакции служит эффективность моделей. И пока она далека от идеала: для полномасштабных расчетов используют суперкомпьютеры, а приближенные результаты получают в результате сотен часов работы обычных ПК.
Ситуацию попробовал исправить докторант Технического университета Эйндховена (Нидерланды) Аарон Хо (Aaron Ho). Он работает в группе по изучению термоядерных реакций департамента прикладной физики. Как пишет портал SciTechDaily, Хо недавно защитил докторскую диссертацию, посвященную применению искусственного интеллекта для моделирования поведения плазмы в токамаках. Созданный им алгоритм уже включен в мощный набор программных инструментов физиков-ядерщиков под названием JINTRAC.
Идея молодого ученого заключается в замене кода, описывающего модель турбулентности пониженного порядка, на нейросеть. Он обучил ИИ на нескольких наборах данных — входных, с реальных научных установок, и результатах, полученных от существующего инструмента QuaLiKiz, предсказывающего движение плазмы в токамаках за счет микротурбулентностей. Поскольку это главный механизм переноса в подобных устройствах, важны точность и скорость работы модели. После обучения нейросеть интегрировали в QuaLiKiz и проверили на новых данных, сравнив со старым алгоритмом.
Вышло более чем впечатляюще. Обычный QuaLiKiz выполнил задачу на 16 вычислительных ядрах за 217 часов, а оснащенный ИИ — на одном ядре и за два часа. То есть даже без учета разницы в количестве необходимых для работы модели процессоров ускорение получилось более чем в сто раз. А если оценивать общую ресурсоемкость, разница выходит на порядок больше.
Но у метода, естественно, есть ограничения, ведь ничего не бывает бесплатно. Точность новой модели во время проверки была ниже: результаты между «нейросетевым» и обычным QuaLiKiz различались примерно на 10%. В этом моменте есть место для улучшений, но 100% точности с искусственным интеллектом достичь принципиально невозможно. С другой стороны, сам по себе QuaLiKiz применяется для упрощенного моделирования, так как использует приближенные вычисления. Поэтому в описываемом случае скорость важнее, а для более точных вычислений есть другие инструменты.