![\"\"](\"https:\/\/espacodosol.com\/blog.br\/wp-content\/uploads\/2019\/07\/fus\u00e3o.jpg\")
<\/p>\n<\/p>\n
A intelig\u00eancia artificial (IA), um ramo da ci\u00eancia da computa\u00e7\u00e3o que est\u00e1 transformando a pesquisa cient\u00edfica e a ind\u00fastria, agora pode acelerar o desenvolvimento de energia de fus\u00e3o segura, limpa e praticamente ilimitada para gerar eletricidade.<\/p>\n
Um passo importante nessa dire\u00e7\u00e3o est\u00e1 em andamento no Laborat\u00f3rio de F\u00edsica de Plasma do Departamento de Energia dos EUA (DOP) e na Universidade de Princeton, onde uma equipe de cientistas trabalhando com um estudante de Harvard est\u00e1 aplicando, pela primeira vez, a poderosa nova vers\u00e3o da forma de aprendizado de m\u00e1quina da intelig\u00eancia artificial \u2013 para prever interrup\u00e7\u00f5es repentinas que podem deter as rea\u00e7\u00f5es de fus\u00e3o e danificar os tokamaks em forma de anel que abrigam as rea\u00e7\u00f5es.<\/p>\n
Novo cap\u00edtulo promissor na pesquisa de fus\u00e3o<\/strong><\/p>\n \u201cEsta pesquisa abre um novo cap\u00edtulo promissor no esfor\u00e7o para trazer energia ilimitada para a Terra\u201d, disse Steve Cowley, diretor do PPPL, sobre as descobertas, publicadas na edi\u00e7\u00e3o atual da revista Nature. \u201cA intelig\u00eancia artificial est\u00e1 explodindo nas ci\u00eancias e agora est\u00e1 come\u00e7ando a contribuir para a busca mundial pelo poder da fus\u00e3o.\u201d<\/p>\n A fus\u00e3o, que impulsiona o sol e as estrelas, \u00e9 a fus\u00e3o de elementos leves na forma de plasma \u2013 o estado quente e carregado de mat\u00e9ria composto de el\u00e9trons livres e n\u00facleos at\u00f4micos \u2013 que gera energia.\u00a0Os cientistas est\u00e3o tentando replicar a fus\u00e3o na Terra para um suprimento abundante de energia.<\/p>\n Crucial para demonstrar a capacidade da aprendizagem profunda de prever rupturas \u2013 a s\u00fabita perda de confinamento de part\u00edculas de plasma e energia \u2013 tem sido o acesso a enormes bancos de dados fornecidos por duas grandes instala\u00e7\u00f5es de fus\u00e3o: a F\u00e1brica Nacional de Fus\u00e3o DIII-D que a General Atomics opera para o DOE na Calif\u00f3rnia, a maior instala\u00e7\u00e3o nos Estados Unidos, e o Joint European Torus (JET) no Reino Unido, a maior instala\u00e7\u00e3o do mundo, administrada pela EUROFusion, o Cons\u00f3rcio Europeu para o Desenvolvimento da Energia de Fus\u00e3o.\u00a0O apoio de cientistas do JET e DIII-D foi essencial para este trabalho.<\/p>\n Os vastos bancos de dados permitiram previs\u00f5es confi\u00e1veis \u200b\u200bde interrup\u00e7\u00f5es em tokamaks diferentes daqueles em que o sistema foi treinado \u2013 neste caso, do menor DIII-D para o JET maior.<\/p>\n A conquista \u00e9 um bom press\u00e1gio para a previs\u00e3o de interrup\u00e7\u00f5es no ITER, um tokamak muito maior e mais poderoso que ter\u00e1 que aplicar as capacidades aprendidas nas instala\u00e7\u00f5es de fus\u00e3o atuais.<\/p>\n O c\u00f3digo de aprendizado profundo, chamado de Rede Neural Recorrente de Fus\u00e3o (FRNN), tamb\u00e9m abre caminhos poss\u00edveis para controlar e prever interrup\u00e7\u00f5es.<\/p>\n \u00c1rea mais intrigante do crescimento cient\u00edfico<\/strong><\/p>\n \u201cA intelig\u00eancia artificial \u00e9 a \u00e1rea mais intrigante do crescimento cient\u00edfico no momento, e casar com a ci\u00eancia da fus\u00e3o \u00e9 muito emocionante\u201d, disse Bill Tang, principal f\u00edsico pesquisador do PPPL, coautor do artigo e conferencista com o t\u00edtulo e t\u00edtulo de professor. no Departamento de Ci\u00eancias Astrof\u00edsicas da Universidade de Princeton, que supervisiona o projeto de IA.\u00a0\u201cAceleramos a capacidade de prever com alta precis\u00e3o o desafio mais perigoso para limpar a energia de fus\u00e3o.\u201d<\/p>\n Ao contr\u00e1rio do software tradicional, que executa instru\u00e7\u00f5es prescritas, o \u201caprendizado profundo\u201d aprende e evolui com seus erros.<\/p>\n Para atingir o objetivo s\u00e3o utilizadas as redes neurais, camadas de n\u00f3s interconectados \u2013 algoritmos matem\u00e1ticos \u2013 que s\u00e3o \u201cparametrizados\u201d ou ponderados pelo programa para moldar a sa\u00edda desejada. Para qualquer entrada, os n\u00f3s buscam produzir uma sa\u00edda espec\u00edfica, como a identifica\u00e7\u00e3o correta de uma face ou previs\u00f5es precisas de uma interrup\u00e7\u00e3o.<\/p>\n O treinamento entra em a\u00e7\u00e3o quando um n\u00f3 n\u00e3o consegue realizar essa tarefa: os pesos se ajustam automaticamente para dados novos at\u00e9 que a sa\u00edda correta seja obtida.<\/p>\n Uma caracter\u00edstica fundamental da aprendizagem profunda \u00e9 sua capacidade de capturar dados de alta dimens\u00e3o em vez de unidimensionais.<\/p>\n Por exemplo, enquanto um software de aprendizado n\u00e3o profundo pode considerar a temperatura de um plasma em um \u00fanico ponto no tempo, o FRNN considera os perfis de temperatura que se desenvolvem no tempo e no espa\u00e7o.<\/p>\n \u201cA capacidade dos m\u00e9todos de aprendizagem profunda de aprender com dados t\u00e3o complexos os torna candidatos ideais para a tarefa de previs\u00e3o de interrup\u00e7\u00f5es\u201d, disse o colaborador Julian Kates-Harbeck, estudante de gradua\u00e7\u00e3o em f\u00edsica da Universidade de Harvard e graduado em Ci\u00eancia da Computa\u00e7\u00e3o que foi o principal autor do artigo da Nature e arquiteto-chefe do c\u00f3digo.<\/p>\n O treinamento e a execu\u00e7\u00e3o de redes neurais dependem de unidades de processamento gr\u00e1fico (GPUs), chips de computador projetados inicialmente para renderizar imagens 3D.<\/p>\n Esses chips s\u00e3o ideais para a execu\u00e7\u00e3o de aplicativos de aprendizado profundo e s\u00e3o amplamente usados \u200b\u200bpelas empresas para produzir recursos de IA, como entender a linguagem falada e observar as condi\u00e7\u00f5es da estrada por carros aut\u00f4nomos.<\/p>\n Kates-Harbeck treinou o c\u00f3digo FRNN em mais de dois terabytes (1012) dos dados coletados do JET e do DIII-D.\u00a0Depois de executar o software no GPU\u00a0 da Universidade de Princeton, a equipe colocou-o no Titan, um supercomputador da Oak Ridge Leadership Computing Facility, uma instala\u00e7\u00e3o do User Office of Science do DOE e outras m\u00e1quinas de alto desempenho.<\/p>\n Uma tarefa exigente<\/strong><\/p>\n Distribuir a rede em v\u00e1rios computadores era uma tarefa exigente.\u00a0\u201cO treinamento de redes neurais profundas \u00e9 um problema computacionalmente intenso que requer o engajamento de clusters de computa\u00e7\u00e3o de alto desempenho\u201d, disse Alexey Svyatkovskiy, coautor do artigo da Nature que ajudou a converter os algoritmos em um c\u00f3digo de produ\u00e7\u00e3o e agora est\u00e1 na Microsoft.\u00a0\u201cColocamos uma c\u00f3pia de toda a nossa rede neural em v\u00e1rios processadores para obter um processamento paralelo e altamente eficiente\u201d, disse ele.<\/p>\n O software demonstrou ainda a sua capacidade de prever rupturas verdadeiras dentro do per\u00edodo de 30 milissegundos requerido pelo ITER, reduzindo simultaneamente o n\u00famero de falsos alarmes.<\/p>\n O c\u00f3digo agora est\u00e1 se aproximando do requisito ITER de 95% de previs\u00f5es corretas com menos de 3% de alarmes falsos.\u00a0Embora os pesquisadores digam que apenas opera\u00e7\u00f5es experimentais ao vivo podem demonstrar os m\u00e9ritos de qualquer m\u00e9todo preditivo, seu documento observa que os grandes bancos de dados de arquivos usados \u200b\u200bnas previs\u00f5es \u201ccobrem uma ampla gama de cen\u00e1rios operacionais e, assim, fornecem evid\u00eancias significativas quanto aos pontos fortes relativos e os m\u00e9todos considerados neste artigo \u201d.<\/p>\n Da predi\u00e7\u00e3o ao controle<\/strong><\/p>\n O pr\u00f3ximo passo ser\u00e1 passar da previs\u00e3o para o controle de rupturas.\u00a0\u201cEm vez de prever interrup\u00e7\u00f5es no \u00faltimo momento e depois mitig\u00e1-las, seria ideal usar modelos futuros de aprendizado profundo para afastar o plasma das regi\u00f5es de instabilidade com o objetivo de evitar a maioria das interrup\u00e7\u00f5es\u201d, disse Kates-Harbeck.\u00a0Destacando o pr\u00f3ximo passo, est\u00e1 Michael Zarnstorff, cient\u00edfico do laborat\u00f3rio.<\/p>\n \u201cO controle ser\u00e1 essencial para os tokamaks p\u00f3s-ITER \u2013 em que a preven\u00e7\u00e3o de rupturas ser\u00e1 um requisito essencial\u201d, observou Zarnstorff.<\/p>\n Progredir de previs\u00f5es precisas habilitadas por IA para controle real\u00edstico do plasma exigir\u00e1 mais de uma disciplina.\u00a0\u201cVamos combinar o aprendizado profundo com a f\u00edsica b\u00e1sica, de primeiro princ\u00edpio, em computadores de alto desempenho para concentrar-nos em mecanismos de controle realistas na queima de plasmas\u201d, disse Tang. \u201cPor controle, significa saber quais \u2018bot\u00f5es girar\u2019 em um tokamak para alterar as condi\u00e7\u00f5es para evitar interrup\u00e7\u00f5es.\u00a0Isso est\u00e1 em nosso alcance e \u00e9 para onde estamos caminhado.<\/p>\n O apoio a este trabalho vem do Programa de Bolsas de P\u00f3s-Gradua\u00e7\u00e3o em Ci\u00eancia da Computa\u00e7\u00e3o em Energia do Departamento de Ci\u00eancia e Administra\u00e7\u00e3o Nacional de Seguran\u00e7a Nuclear do DOE;\u00a0do Instituto de Ci\u00eancia e Engenharia Computacional da Universidade de Princeton (PICsiE);\u00a0e de fundos de Pesquisa e Desenvolvimento Direcionados pelo Laborat\u00f3rio que o PPPL fornece.<\/p>\n Os autores desejam agradecer a assist\u00eancia com supercomputa\u00e7\u00e3o de alto desempenho de Bill Wichser e Curt Hillegas no PICSciE;\u00a0Jack Wells na instala\u00e7\u00e3o de computa\u00e7\u00e3o de lideran\u00e7a de Oak Ridge;\u00a0Satoshi Matsuoka e Rio Yokata no Instituto de Tecnologia de T\u00f3quio;\u00a0e Tom Gibbs na NVIDIA Corp.<\/p>\n![](\"https:\/\/i2.wp.com\/scitechdaily.com\/images\/Limitless-Fusion-Energy.jpg?resize=720%2C675&ssl=1\")