Предсказаны профили температуры и плотности удерживаемой магнитом плазмы в термоядерном синтезе
Ученые-исследователи из Массачусетского технологического института Пабло Родригес-Фернандес и Натан Ховард только что завершили один из самых сложных расчетов в науке о термоядерном синтезе — предсказали профили температуры и плотности удерживаемой магнитом плазмы с помощью первопринципного моделирования плазменной турбулентности. Решить эту задачу методом грубой силы не под силу даже самым совершенным суперкомпьютерам. Вместо этого исследователи использовали методологию оптимизации, разработанную для машинного обучения, чтобы значительно сократить время, необходимое ЦП, при сохранении точности решения.
Моделирование турбулентности плазмы в разных местах токамака SPARC, который в настоящее время разрабатывается. Цветная полоса указывает прогнозируемую температуру плазмы. Предоставлено: Центр плазменной науки и термоядерного синтеза.
Энергия синтеза
Fusion обещает неограниченную безуглеродную энергию за счет того же физического процесса, который питает солнце и звезды. Для этого требуется нагреть топливо до температуры выше 100 миллионов градусов, что значительно выше точки, при которой электроны отрываются от своих атомов, создавая форму материи, называемую плазмой. На Земле исследователи используют сильные магнитные поля , чтобы изолировать и изолировать горячую плазму от обычного вещества. Чем сильнее магнитное поле, тем лучше качество изоляции, которую оно обеспечивает.
Родригес-Фернандес и Ховард сосредоточились на прогнозировании производительности, ожидаемой от устройства SPARC, компактного термоядерного эксперимента с сильным магнитным полем, который в настоящее время разрабатывается дочерней компанией Массачусетского технологического института Commonwealth Fusion Systems (CFS) и исследователями из Массачусетского технологического института и Fusion Center. Хотя расчеты требовали невероятного количества компьютерного времени, более 8 миллионов процессоро-часов, примечательным было не то, сколько времени было использовано, а то, как мало, учитывая сложную вычислительную задачу.
Вычислительная задача термоядерной энергии
Турбулентность, которая является механизмом большей части потерь тепла в ограниченной плазме, является одной из главных проблем науки и самой большой проблемой, остающейся в классической физике. Уравнения, управляющие термоядерной плазмой, хорошо известны, но аналитические решения невозможны в интересующих нас режимах, где важна нелинейность, а решения охватывают огромный диапазон пространственных и временных масштабов. Ученые прибегают к решению уравнений путем численного моделирования на компьютерах. Не случайно исследователи термоядерного синтеза были пионерами вычислительной физики в течение последних 50 лет.
Одной из фундаментальных проблем для исследователей является надежное предсказание температуры и плотности плазмы с учетом только конфигурации магнитного поля и приложенной извне входной мощности. В устройствах удержания, таких как SPARC, внешняя энергия и тепло, поступающее от процесса синтеза, теряются из-за турбулентности в плазме. Сама турбулентность обусловлена разницей в чрезвычайно высокой температуре ядра плазмы и относительно низких температурах края плазмы (всего несколько миллионов градусов). Следовательно, для прогнозирования характеристик самонагревающейся термоядерной плазмы требуется расчет баланса мощности между потребляемой термоядерной мощностью и потерями из-за турбулентности.
Эти расчеты обычно начинаются с предположения о профилях температуры и плотности плазмы в определенном месте, а затем с расчета тепла, переносимого локально за счет турбулентности. Однако полезный прогноз требует самосогласованного расчета профилей по всей плазме, который включает как тепловложение, так и турбулентные потери. Непосредственное решение этой проблемы выходит за рамки возможностей любого существующего компьютера, поэтому исследователи разработали подход, который сшивает профили вместе из серии сложных, но податливых локальных вычислений. Этот метод работает, но поскольку потоки тепла и частиц зависят от множества параметров, расчеты могут очень медленно сходиться.
Однако методы, появившиеся в области машинного обучения, хорошо подходят для оптимизации именно таких вычислений. Начав с набора ресурсоемких локальных вычислений, выполняемых с помощью полнофизического кода CGYRO, основанного на первых принципах (предоставленного командой General Atomics во главе с Джеффом Кэнди), Родригес-Фернандес и Ховард подогнали суррогатную математическую модель, которая использовалась для исследования и оптимизировать поиск в пространстве параметров. Результаты оптимизации сравнивались с точными расчетами в каждой оптимальной точке, и система повторялась до желаемого уровня точности. По оценкам исследователей, этот метод сократил количество запусков кода CGYRO в четыре раза.
Новый подход повышает уверенность в прогнозах
Эта работа, описанная в недавней публикации в журнале Nuclear Fusion, является самым точным расчетом, когда-либо сделанным для ядра термоядерной плазмы. Он уточняет и подтверждает прогнозы, сделанные с помощью менее требовательных моделей. Профессор Джонатан Цитрин из Технологического университета Эйндховена и руководитель группы термоядерного моделирования для DIFFER, Голландского института фундаментальных энергетических исследований, прокомментировал: «Эта работа значительно расширяет наши возможности в более регулярном прогнозировании сценариев токамака со сверхвысокой точностью. Этот алгоритм может помочь обеспечить окончательную проверочную проверку конструкции машины или оптимизацию сценариев, выполненную с помощью более быстрого и упрощенного моделирования, что значительно повышает нашу уверенность в результатах».
В дополнение к повышению уверенности в производительности синтеза в эксперименте SPARC, этот метод обеспечивает дорожную карту для проверки и калибровки сокращенных физических моделей, которые работают с небольшой долей вычислительной мощности. Такие модели, перепроверенные по результатам моделирования турбулентности, обеспечат надежный прогноз перед каждым разрядом SPARC, помогая направлять экспериментальные кампании и улучшая научную эксплуатацию устройства. Его также можно использовать для настройки и улучшения даже простых моделей, управляемых данными, которые работают очень быстро, позволяя исследователям просеивать огромные диапазоны параметров, чтобы сузить возможные эксперименты или возможные будущие машины.
