آزمایشگاه دانشگاه روچستر برای انرژی لیزر (LLE) مجهز به لیزر امگا ، نصب لیزر دانشگاهی پیشرو در جهان است. در یک نگاه ، به نظر می رسد مانند یک باند مرمر پیچیده از ذرات سبک و پلاسما ، قادر به تقسیم و تقویت یک پرتو قبل از تمرکز آن بر روی یک هدف متقاطع کوچک است. مأموریت اصلی آن کشف پدیده های اخترفیزیکی ، مواد آزمایشی در فشارهای شدید در مقیاس اتمی و تلاش برای پیشبرد تحقیقات فیوژن مختل کننده است.
با تشکر از کمک هزینه 503 میلیون دلاری تا سال 2024 از اداره ملی امنیت هسته ای وزارت انرژی ایالات متحده (DOE) ، آزمایشگاه لیزر روچستر شرایط ایده آل را برای انجام این مطالعات انتقادی ایجاد کرده است. آزمایشگاه لیزر آزمایش های پیچیده فیوژن را یک بار در ماه انجام می دهد و دانشمندان حدود پنج فرصت برای آتش سوزی لیزر و ضبط داده ها دارند. از طریق شبیه سازی های رایانه ای چند فیزیک ، دانشمندان قادر به درک عمیق تری از پلاسما فیوژن ، آزمایش های طراحی و تفسیر نتایج هستند ، حتی اگر این شبیه سازی ها نمی توانند تمام جزئیات تجربی را به طور کامل تولید کنند.
این آزمایش با یک کپسول پلاستیکی حاوی دوتریوم تریتیوم یخ زده ، فقط میلی متر قطر ، با دمای 20 درجه بالاتر از صفر مطلق آغاز شد. " قطر کوچکتر از یک رشته مو انسان و درجه حرارت به بیش از 30 میلیون درجه افزایش می یابد. " این فرایند نه تنها نیاز به دانش عمیقی در مورد فیزیک دارد ، بلکه باید از تکنیک های تشخیصی پیشرفته نیز استفاده شود تا با جزئیات تمام پدیده های موجود در این لحظه اندازه گیری شود.
برای سرمایه گذاری در ثروت داده های جمع آوری شده توسط این تکنیک های تشخیصی پیشرفته و تسریع بیشتر تحقیقات همجوشی ایالات متحده ، دانشمندان LLE به سمت هوش مصنوعی (AI) و سایر فن آوری های محاسباتی پیشرفته روی می آورند.
بیش از 50 سال است که LLE به طور فعال در حال ارتقاء و پرداختن به چالش های اصلی در زمینه همجوشی محاصره اینرسی (ICF) است. ICF به طور گسترده در جامعه علمی به عنوان امیدوار کننده ترین رویکرد برای دستیابی به همجوشی کنترل شده حرارتی هسته ای شناخته می شود و نمایانگر یک فناوری انرژی تجدید پذیر امیدوار کننده و تجدید پذیر است.
کریستوفر کانان ، استادیار علوم کامپیوتر در دانشگاه روچستر ، توضیح می دهد: "ICF اساساً یک مشکل فیزیک معکوس است ، جایی که دانشمندان باید خصوصیات دقیق لیزر و هدف را معکوس کنند."
خود امگا برای دستیابی به احتراق طراحی نشده است ، بلکه برای پیشبرد درک فیوژن مستقیم با محرک لیزر است. تسهیلات ملی احتراق در آزمایشگاه ملی Livermore ، که 60 برابر پر انرژی تر از امگا است ، راه حلی برای مشکل فیزیک معکوس پیدا کرده است و در حال حاضر در سال 2022 به احتراق رسیده است. هر دو پیشرفت در امگا و دستیابی به احتراق به مدل سازی آماری متکی هستند برای پر کردن شکاف ها در درک کامل ما از فیزیک.
شکاف دانش که بین شبیه سازی ها و آزمایشات وجود دارد ناشی از پیچیدگی فیزیک ، محدودیت های اندازه گیری ها و دامنه وسیع تلاش تحقیق است که شامل فیزیک هسته ای ، فیزیک پلاسما و تحقیقات علمی مواد است که در شرایط شدید انجام می شود که حتی به چالش می کشد پیشرفته ترین کدهای رایانه.
اول ، سوال هدف وجود دارد ؛ این آزمایش با یک کره پلاستیکی توخالی آغاز می شود که می تواند روی نوک یک پین قرار گیرد. محققان LLE از ابزارهای دقیق برای ایجاد کره و پر کردن آن با ایزوتوپهای هیدروژن استفاده می کنند ، که سپس به صفر مطلق خنک می شوند. فرآیند انجماد باعث شد هیدروژن لایه ای از یخ را در داخل پوسته پلاستیکی تشکیل دهد.
تیم تحقیقاتی LLE به دنبال راهی برای تشخیص دقیق ظرافت ها و الگوهای موجود در داده ها به عنوان ابزاری برای هدایت شبیه سازی های رایانه ای برای تولید پیش بینی های دقیق تر است. این قابلیت پیش بینی بهبود یافته به نوبه خود آزمایش های فیوژن را اصلاح کرده و نسل بعدی تحقیقات فیوژن و فناوری لیزر را هدایت می کند.
هوش مصنوعی ، و به ویژه یادگیری ماشین زیر میدان ، می تواند به بهینه سازی اثربخشی پیش بینی کدهای رایانه و بهبود پیش بینی ها از طریق تجربه کمک کند. یادگیری ماشین نه تنها تجزیه و تحلیل پیش بینی کننده را انجام می دهد ، بلکه داده ها را نیز پردازش می کند ، روابط را زیر می آورد و این دانش را در عملکردهای خود اعمال می کند.
Riccardo Betti ، دانشمند ارشد LLE و استاد رابرت L. McCrory در گروه مهندسی مکانیک و گروه فیزیک و نجوم در دانشگاه روچستر ، خاطرنشان کرد: "ما اکنون مقدار زیادی از داده های تجربی داریم که با کمک یادگیری ماشین ، می تواند برای اصلاح شبیه سازی ها و هدایت تنظیمات در زمان واقعی به آزمایشات استفاده شود. "
کار تحقیقاتی Betti و Kanan مبتنی بر پیشرفت های اخیر در هوش مصنوعی تولیدی است ، یک تکنیک هوش مصنوعی که داده ها و سایر اشکال خروجی مانند متن و فیلم را تولید می کند. تیم تحقیقاتی دانشگاه روچستر از این الگوریتم های پیشرفته برای حل مشکلات فیزیک معکوس برای بهبود صحت شبیه سازی ها استفاده می کند. برنامه علوم انرژی فیوژن وزارت انرژی ایالات متحده (FES) نزدیک به 3 میلیون دلار حمایت بودجه برای این تحقیق ارائه داده است که پیش بینی می شود تا سال 2026 تکمیل شود.
ریکاردو بتی افزود: "هدف ما بهبود پیش بینی های شبیه سازی با کمک هوش مصنوعی تولید و استنباط دقیق خواص تعامل با هدف لیزر است. ما در حال مهار قدرت هوش مصنوعی هستیم تا آینده فناوری فیوژن را تسریع کنیم."
دکتر Varchas Gopalaswamy ، دانشمند بخش تئوری LLE و استادیار مهندسی مکانیک ، اظهار داشت: "هنگامی که ما اختلاف بین پیش بینی های شبیه سازی و نتایج تجربی را درک کردیم ، ما قادر به یادگیری ماشین برای آشتی دادن این دو هستیم." وی در ادامه توضیح می دهد ، "اگر متغیر در آزمایش تغییر کند ، آیا شبیه سازی می تواند بر این اساس پاسخ دهد؟ آیا این پاسخ در آزمایش منعکس می شود؟ این صحت فرضیه ما را تأیید می کند و تعیین می کند که آیا می توانیم متغیر را تنظیم کنیم یا بر این اساس یک استراتژی کاهش ایجاد کنیم. . Gopalaswamy افزود: "با تجزیه و تحلیل عمیق تر یادگیری ماشین از الگوهای در داده ها ، ما توانستیم فرضیه های جدیدی را تدوین کنیم ، پدیده های مختلف فیزیکی را کشف کنیم و آزمایش های بهتری را طراحی کنیم."
Gopalaswamy همچنین خاطرنشان کرد: "یکی از چالش های مقابله با ICF این است که داده های تجربی فیوژن که ما برای آموزش AI استفاده کردیم در مقایسه با بانک اطلاعاتی عظیم تصاویر CAT نسبتاً محدود بود. در این حالت ، استفاده از داده های تجربی موجود به ویژه چالش برانگیز است برای ایجاد شکاف دانش.
انجمن فیزیکی آمریکا کار Betti ، Gopalaswamy و سایر دانشمندان LLE را با جایزه جان داوسون برای تعالی در تحقیقات فیزیک پلاسما به خاطر دستاوردهای پیشگام خود در پیش بینی ، طراحی و تجزیه و تحلیل آزمایش های انفجار با لیزر 30 کیلو جی امگا به رسمیت شناخته است.
تحقیقات هوش مصنوعی و یادگیری ماشین در آزمایشگاه لیزر روچستر همچنین به تعدادی از اکتشافات داستین فرولا ، مدیر بخش علوم و مهندسی لیزر پلاسما و Ultrafast و تیم وی کمک کرده است. در طول کار خود ، فرولا و تیمش تکنیک های مختلفی را ایجاد کرده اند ، از جمله یکی برای اندازه گیری دمای پلاسما از طریق پراکندگی تامسون ، و حتی زمین جدیدی را در تکنیک های "فوکوس پرواز" یا کنترل شدت لیزر در مسافت های طولانی شکسته اند. و یادگیری ماشینی باعث انقلابی در نحوه طراحی آزمایشات می شود و ما را قادر می سازد تا با توجه به امکانات نسل بعدی ، لیزرهای بهتری بسازیم. وی در ادامه توضیح می دهد: "چندین رنگ در طیف پرتو لیزر به پلاسما کمک می کند تا از طریق پرتو با کارآمدتر پخش شود ، و هوش مصنوعی به ما کمک می کند تا تعامل پیچیده بین این رنگ های مختلف و پلاسما را درک کنیم."
سرانجام ، مرکز انرژی برای تحقیقات همجوشی هسته ای ، به LLE تعیین یک مرکز تحقیقاتی ملی که برای پیشبرد انرژی فیوژن اینرسی (IFE) طراحی شده است ، یک فناوری انرژی پاک امیدوارکننده که به همجوشی اتمهای سنگین هیدروژن (دوتریوم و تریتیوم) متکی است ، داده است. برای تولید انرژی
با تکیه بر نقاط قوت تحقیقاتی بین رشته ای دانشگاه روچستر ، LLE با موفقیت چندین دانشجو را برای تقویت کاربرد هوش مصنوعی و یادگیری ماشین در تحقیقات همگرا استخدام کرده است.
به گفته Gopalaswamy ، "هدف ما الهام بخشیدن به دانش آموزان با اشتیاق مداوم به یادگیری ماشین برای تقویت بیشتر دقت ابزارهای تشخیصی ما است. در واقع ، ما به متخصصان AI احتیاج داریم. با این حال ، نقش فیزیکدانان برای اطمینان از صحیح بودن مدل ها ضروری است و علاوه بر این ، ما به مهندسین ، تکنسین ها و دانشمندان مواد نیاز داریم تا یک اکوسیستم کامل را تشکیل دهند. "
وی افزود: "با انتقال ملت به انرژی پاک و قدرت پایدار ، استفاده از هوش مصنوعی در تحقیقات فیوژن امیدوار کننده است و می تواند به یک حوزه نیروی کار در حال ظهور تبدیل شود."
Valeri Goncharov ، مدیر بخش تئوری LLE و استادیار پژوهش در گروه مهندسی مکانیک ، خاطرنشان کرد: "هوش مصنوعی ابزاری مهم برای هدایت تحقیقات ما است. با بهینه سازی این ابزارها می توانیم نتایج تحقیق خود را ارتقا دهیم. در حالی که این ابزارها تحقیق را تسهیل می کنند ، نیروی محرکه برای نوآوری هنوز هم در تحقیقات ICF است.
