Ricercatori del MIT e di altre istituzioni stanno utilizzando modelli di computer vision e machine learning per monitorare e analizzare le strutture turbolente che si formano durante le reazioni di fusione nucleare, aprendo nuove possibilità per lo sviluppo di un'energia pulita e illimitata.
La fusione nucleare, che promette un'energia praticamente illimitata e priva di emissioni di carbonio utilizzando gli stessi processi che alimentano il sole, è al centro di uno sforzo di ricerca globale che potrebbe contribuire a mitigare i cambiamenti climatici. Un team multidisciplinare di ricercatori sta ora portando strumenti e intuizioni dal machine learning per supportare questo sforzo. Scienziati del MIT e di altre istituzioni hanno utilizzato modelli di computer vision per identificare e monitorare le strutture turbolente che appaiono nelle condizioni necessarie per facilitare le reazioni di fusione.
Monitorare la formazione e i movimenti di queste strutture, chiamate filamenti o 'blob', è importante per comprendere il flusso di calore e particelle che escono dal combustibile in reazione, determinando in ultima analisi i requisiti ingegneristici per le pareti del reattore per far fronte a tali flussi. Tuttavia, gli scienziati di solito studiano i blob utilizzando tecniche di mediazione, che sacrificano i dettagli delle singole strutture in favore di statistiche aggregate. Le informazioni sui singoli blob devono essere seguite manualmente nei dati video.
I ricercatori hanno creato un dataset di video sintetici sulla turbolenza del plasma per rendere questo processo più efficace ed efficiente. Lo hanno utilizzato per addestrare quattro modelli di computer vision, ognuno dei quali identifica e monitora i blob. Hanno addestrato i modelli per individuare i blob nello stesso modo in cui lo farebbero gli esseri umani.
Quando i ricercatori hanno testato i modelli addestrati utilizzando veri e propri clip video, i modelli sono stati in grado di identificare i blob con elevata precisione, oltre l'80% in alcuni casi. I modelli sono stati anche in grado di stimare efficacemente la dimensione dei blob e le velocità a cui si muovevano.
Poiché milioni di fotogrammi video vengono catturati durante un singolo esperimento di fusione, l'utilizzo di modelli di machine learning per monitorare i blob potrebbe fornire agli scienziati informazioni molto più dettagliate.
'Prima, potevamo avere un'immagine macroscopica di ciò che queste strutture stanno facendo in media. Ora abbiamo un microscopio e la potenza computazionale per analizzare un evento alla volta. Se facciamo un passo indietro, ciò che ciò rivela è il potere disponibile da queste tecniche di machine learning e modi per utilizzare queste risorse computazionali per progredire', afferma Theodore Golfinopoulos, ricercatore presso il MIT Plasma Science and Fusion Center e co-autore di un articolo che dettaglia questi approcci.
I suoi colleghi co-autori includono l'autore principale Woonghee 'Harry' Han, candidato al dottorato di ricerca in fisica; Iddo Drori, professore ospite presso il Computer Science and Artificial Intelligence Laboratory (CSAIL), professore associato presso la Boston University e docente aggiunto presso la Columbia University; oltre ad altri ricercatori del MIT Plasma Science and Fusion Center, del MIT Department of Civil and Environmental Engineering e dell'Istituto Federale Svizzero di Tecnologia di Losanna in Svizzera. La ricerca appare oggi in Nature Scientific Reports.
