Калифорнийский университет в Санта-Барбаре и Ливерморская национальная лаборатория имени Лоуренса совместно ускоряют моделирование термоядерной плазмы с помощью ИИ

Калифорнийский университет в Санта-Барбаре (University of California, Santa Barbara, UCSB) и Ливерморская национальная лаборатория имени Лоуренса (Lawrence Livermore National Laboratory, LLNL) начали новое сотрудничество, пытаясь внедрить искусственный интеллект в моделирование экстремальной плазмы для ускорения ключевых вычислений в исследованиях термоядерного синтеза и физики высоких плотностей энергии.

Аспирант профессора Калифорнийского университета в Санта-Барбаре Хаевон Чон — Нил Санкаран (слева) и учёный Ливерморской национальной лаборатории имени Лоуренса Мин Сан Чо (справа) на совместном фото

Проект возглавляется доцентом кафедры электротехники и вычислительной техники Калифорнийского университета в Санта-Барбаре Хаевон Чон (Haewon Jeong). Проект был отобран из 29 заявок, полученных от академической партнёрской группы LLNL, и является одним из 5 выбранных проектов, которые получат финансирование от LLNL в размере 536 000 долларов в год в течение трёх лет. Команда Хаевон Чон будет сотрудничать с учёными LLNL, среди которых в качестве со-главного исследователя выступает Мин Сан Чо (Min Sang Cho). Стороны планируют создать суррогатные модели на основе искусственного интеллекта, которые значительно сократят время, необходимое для крупномасштабного моделирования плазмы.

Хаевон Чон отметила, что физическое моделирование часто требует высоких вычислительных затрат, а суррогатные модели, особенно на основе искусственного интеллекта, могут аппроксимировать результаты моделирования путём обучения на данных, снижая зависимость от прямого решения дифференциальных уравнений в частных производных и выполняя соответствующие задачи с меньшими вычислительными затратами.

Проект называется «Динамика нелокального термодинамического равновесия на основе машинного обучения» и объединяет такие направления, как машинное обучение, физика плазмы и высокопроизводительные вычисления, с основным фокусом на плазму в состоянии нелокального термодинамического равновесия (non-LTE). Такая плазма находится в экстремальном состоянии вещества, где традиционные упрощающие допущения могут оказаться несостоятельными, что делает точное моделирование крайне сложным.

В исследованиях лазерного термоядерного синтеза при облучении тонкой твёрдой мишени сверхмощным лазером материал ионизируется и образует высокоэнергетическую плазму, которая затем испускает рентгеновское излучение. Эти рентгеновские лучи могут использоваться для сжатия термоядерного топлива до экстремальных условий, необходимых для осуществления термоядерной реакции. Хаевон Чон отметила, что точное моделирование соответствующих атомных состояний имеет важное значение для понимания поглощения энергии, генерации излучения и того, как более эффективно управлять термоядерным синтезом.

Сложность таких вычислений обусловлена большим количеством взаимодействий атомов и частиц в плазме, причём эти процессы происходят одновременно в различных временных и пространственных масштабах. Существующие программы моделирования способны описывать соответствующие физические процессы с высокой точностью, но обычно требуют значительных вычислительных ресурсов и длительного времени выполнения. Для решения этой проблемы проект объединит такие методы машинного обучения, как нейронное сжатие, генеративное моделирование и прогнозирование временных рядов, для извлечения ключевых закономерностей в сложных системах.

Мин Сан Чо отметил, что лазерный термоядерный синтез считается одним из важных научных путей для будущих исследований чистой энергии. LLNL добилась зажигания термоядерной реакции в 2022 году, однако для продвижения термоядерного синтеза к стадии практического производства энергии необходимо дальнейшее понимание механизмов переноса излучения и энергии в термоядерной плазме, особенно в сложных состояниях нелокального термодинамического равновесия, где эти механизмы влияют на потоки энергии и общую производительность системы.

Он указал, что соответствующие вычисления занимают много времени и часто становятся узким местом в крупномасштабных проектных исследованиях и общем моделировании. Если удастся значительно ускорить вычисления, исследователи смогут изучать более широкий диапазон параметров плазмы и более эффективно анализировать физические закономерности переноса излучения и энергии в термоядерных системах.

Нил Санкаран (Neil Sankaran), аспирант первого года обучения в команде Хаевон Чон, участвующий в проекте, отметил, что команда использует машинное обучение для упрощения чрезвычайно сложных плазменных систем с сохранением их основных физических характеристик. Он сказал, что прямое моделирование каждого микроскопического взаимодействия нереалистично, и цель исследования — улавливать закономерности, действительно важные для поведения системы, без вычисления всех деталей по отдельности.

Данное сотрудничество также отражает взаимодополняющую роль университетов и национальных лабораторий в междисциплинарных научных исследованиях. Калифорнийский университет в Санта-Барбаре обладает исследовательской базой в области искусственного интеллекта и вычислительного моделирования, а LLNL давно занимается исследованиями в области физики плазмы, лазерного термоядерного синтеза и физики высоких плотностей энергии. Стороны надеются, что, объединив свои сильные стороны, они смогут разработать суррогатные модели на основе искусственного интеллекта, которые можно будет интегрировать в существующие научно-исследовательские процессы.

Хаевон Чон отметила, что LLNL уже располагает кодами моделирования лазерной плазмы для исследований термоядерного синтеза и экстремальных плазменных сред. Если новые суррогатные модели на основе искусственного интеллекта удастся интегрировать в эти рабочие процессы и превратить их в инструменты, которые исследователи будут использовать и которым будут доверять в повседневной работе, это будет означать существенный успех проекта. Она также добавила, что команда надеется превратить суррогатные модели на основе искусственного интеллекта из экспериментальной исследовательской идеи в надёжную часть научных вычислений.