University of Rochester's Laboratory for Laser Energetics (LLE) är utrustad med Omega Laser, världens ledande akademiska laserinstallation. I en överblick ser det ut som en utarbetad marmorbanan med ljusa partiklar och plasma, som kan dela och förstärka en stråle innan den fokuserar den på ett litet korsmål. Dess kärnuppdrag är att utforska astrofysiska fenomen, testmaterial vid extremt atomskala tryck och arbeta för att främja störande fusionsforskning.
Tack vare ett bidrag på 503 miljoner dollar fram till 2024 från US Department of Energy's (DOE) National Nuclear Security Administration har Rochester Laser Laboratory skapat idealiska förhållanden för att genomföra dessa kritiska studier. Laserlaboratoriet genomför komplexa fusionsexperiment en gång i månaden, och forskare har cirka fem möjligheter att avfyra lasrar och registrera data. Genom datorsimuleringar med flera fysikfält kan forskare få en djupare förståelse för fusionsplasma, designa experiment och tolka resultaten, även om dessa simuleringar inte helt kan reproducera alla experimentella detaljer.
Experimentet började med en plastkapsel som innehöll fryst deuterium-tritium, bara millimeter i diameter, vid en temperatur på 20 grader över absolut noll, "sade LLE-direktör Christopher Deeney. Sedan, i en miljard till en sekund, komprimeras kapseln till en Diameter mindre än en mänsklig hårsträng och temperaturen stiger till över 30 miljoner grader. " Denna process kräver inte bara en djup kunskap om fysik, utan avancerade diagnostiska tekniker måste också användas för att i detalj mäta alla fenomen som inträffar i detta ögonblick.
För att dra nytta av den rikedom av data som samlas in av dessa avancerade diagnostiska tekniker och för att påskynda USA: s fusionsforskning bredare, vänder LLE -forskare sig till konstgjord intelligens (AI) och andra avancerade beräkningstekniker.
I mer än 50 år har LLE aktivt främjat och hanterat kärnutmaningarna inom området tröghetsframkallande fusion (ICF). ICF är allmänt erkänt i det vetenskapliga samfundet som den mest lovande metoden för att uppnå kontrollerad termonukleär fusion och representerar en lovande ren, förnybar energiteknologi.
Christopher Kanan, docent i datavetenskap vid University of Rochester, förklarar, "ICF är i huvudsak ett omvänt fysikproblem, där forskare måste omvända laserens exakta egenskaper och målet."
Omega själv var inte utformad för att uppnå tändning, utan för att främja förståelsen för laserdriven direktdrivning. Den nationella tändningsanläggningen vid Livermore National Laboratory, som är 60 gånger mer energisk än Omega, har hittat en lösning på det omvända fysikproblemet och har redan uppnått tändning 2022. Både framstegen som gjorts vid Omega och uppnåendet av tändning förlitar sig på statistisk modellering för att fylla luckorna i vår fullständiga förståelse av fysik.
Kunskapsgapet som finns mellan simuleringar och experiment härrör från fysikens komplexitet, mätbegränsningarna och den breda omfattningen av forskningsinsatsen, som inkluderar kärnfysik, plasmafysik och materialvetenskaplig forskning som utförs under extrema förhållanden som till och med utmanar till och med de mest avancerade datorkoderna.
Först är det frågan om målet; Experimentet börjar med en ihålig plastsfär som kan placeras på spetsen på en stift; LLE -forskare använder precisionsverktyg för att skapa sfären och fylla den med väteisotoper, som sedan kyls till nära absolut noll. Frysningsprocessen fick väte att bilda ett skikt av is inuti plastskalet.
LLE -forskargruppen letar efter ett sätt att exakt upptäcka nyanser och mönster i uppgifterna som ett sätt att vägleda datorsimuleringar för att producera mer exakta förutsägelser. Denna förbättrade prediktiva förmåga kommer i sin tur att förfina fusionsexperiment och driva nästa generation av fusionsforskning och laserteknik.
Konstgjord intelligens, och särskilt dess underfältsmaskininlärning, kan hjälpa till att optimera den förutsägbara effekten av datorkoder och förbättra förutsägelser genom erfarenhet. Maskininlärning utför inte bara prediktiv analys, utan bearbetar också data, ger relationer och tillämpar denna kunskap på dess funktioner.
Riccardo Betti, LLE: s huvudforskare och Robert L. McCrory -professor vid avdelningen för maskinteknik och avdelningen för fysik och astronomi vid University of Rochester, noterade: "Vi har nu en stor mängd experimentella data som med hjälp av Maskininlärning, kan användas för att korrigera simuleringar och vägleda realtidsjusteringar av experiment. "
Betti och Kanans forskningsarbete är baserat på de senaste framstegen inom generativ artificiell intelligens, en AI -teknik som genererar data och andra former av produktion, till exempel text och video. University of Rochester Research Team använder dessa avancerade algoritmer för att lösa omvända fysikproblem för att förbättra simuleringens noggrannhet. US Department of Energy's Fusion Energy Sciences (FES) -programmet har gett nästan 3 miljoner dollar i finansieringsstöd för denna forskning, som förväntas vara klar år 2026.
Riccardo Betti tillade: "Vårt mål är att förbättra simuleringsförutsägelser med hjälp av generativ AI och att exakt dra slutsatsen för laser-målinteraktioner. Vi utnyttjar AI: s kraft för att påskynda fusionstekniken."
Dr. Varchas Gopalaswamy, en forskare i LLE: s teoriavdelning och biträdande professor i maskinteknik, säger, "När vi uppfattar en skillnad mellan simuleringsförutsägelserna och de experimentella resultaten, kan vi tillämpa maskininlärning för att förena de två." Han förklarar vidare, "Om en variabel förändring i experimentet, kan simuleringen svara i enlighet därmed? Kommer det svaret att återspeglas i experimentet? Detta kommer att validera noggrannheten i vår hypotes och avgöra om vi kan justera variabeln eller utveckla en begränsningsstrategi i enlighet med . " Gopalaswamy tillade, "Med maskininlärningens djupare analys av mönster i uppgifterna kunde vi formulera nya hypoteser, utforska olika fysiska fenomen och utforma bättre experiment."
Gopalaswamy noterade också, "En av utmaningarna med att konfrontera ICF är att fusionens experimentella data som vi använde för att utbilda AI var relativt begränsade jämfört med den enorma databasen med CAT -bilder. I detta fall är det särskilt utmanande att använda tillgängliga empiriska data För att överbrygga kunskapsgapet.
Det amerikanska fysiska samhället har erkänt arbetet med Betti, Gopalaswamy och andra LLE -forskare med John Dawson -utmärkelsen för excellens inom plasmafysikforskning för deras banbrytande prestationer när det gäller att förutsäga, designa och analysera implosionsexperiment med 30 KJ omega -laser.
Artificiell intelligens och maskininlärningsforskning vid Rochester Laser Laboratory har också bidragit till ett antal upptäckter av Dustin Froula, chef för plasma och ultrasnabb laservetenskap och teknikavdelning och hans team. Under sin karriär har Froula och hans team utvecklat en mängd olika tekniker, inklusive en för att mäta plasmatemperatur genom Thomson-spridning, och har till och med brutit ny mark i "flu-fokus" -tekniker eller kontrollerande laserintensitet över långa avstånd. Och maskininlärning revolutionerar hur vi utformar experiment, vilket gör att vi kan bygga bättre lasrar när vi föreställer oss nästa generations anläggningar. "Han förklarar vidare," Lasers har använts på olika sätt. Han förklarar vidare, "Flera färger i spektrumet i laserstrålen kommer att hjälpa plasma att sprida sig mer effektivt genom strålen, och AI hjälper oss att förstå de komplexa interaktioner mellan dessa olika färger och plasma."
Slutligen har Department of Energy's Center for Nuclear Fusion Research gett beteckningen av ett nationellt forskningscenter utformat för att främja tröghetsfusionsenergi (IFE), en lovande ren energiteknologi som förlitar sig på sammansmältningen av tungt väte (deuterium och tritium) atomer att producera energi.
LEL, som förlitar sig på de tvärvetenskapliga forskningsstyrkorna vid University of Rochester, har LLE framgångsrikt rekryterat flera studenter för att förbättra tillämpningen av konstgjord intelligens och maskininlärning i konvergent forskning.
Enligt Gopalaswamy är "vårt mål att inspirera eleverna med en fortsatt passion för maskininlärning för att ytterligare förbättra noggrannheten i våra diagnostiska verktyg. Vi behöver faktiskt AI -experter. Fysikerens roll är dock nödvändig för att säkerställa att modellerna är korrekta och vetenskapligt ljud.
Han tillade, "När nationen övergår till ren energi och hållbar kraft, är tillämpningen av AI i fusionsforskning lovande och kan bli ett växande arbetskraftsområde."
Valeri Goncharov, chef för LLE: s teoridivision och forskningsassistent vid institutionen för maskinteknik, noterade, "Konstgjord intelligens är ett viktigt verktyg för att vägleda vår forskning. Genom att optimera dessa verktyg kan vi förbättra våra forskningsresultat. Medan dessa verktyg underlättar forskning , drivkraften för innovation härrör fortfarande från vår intelligens.
