A física nuclear pode ser uma das mais novas fronteiras do aprendizado de máquina
Desde a década de 1940, os físicos tentaram, mas ninguém ainda criou uma reação de fusão nuclear eficiente.
Enquanto isso, a IA e o aprendizado de máquina (ML) têm, em muitos setores e aplicativos, se mostrado bastante capazes de detectar padrões sutis em dados que humanos não podem reconhecer.
Então, as redes neurais e as GPUs que as alimentam poderiam ajudar na fusão nuclear? O desafio, e é grande, seria acelerar a busca mundial para controlar as instabilidades nos plasmas quentes e, finalmente, fornecer uma fonte de energia sustentável e livre de carbono.
“Os físicos desenvolvem modelos teóricos, escrevem equações, manipulam coisas matematicamente”, disse Diogo Ferreira , professor de sistemas de informação do Instituto Superior Técnico da Universidade de Lisboa em Portugal. “Mas há um limite para isso.” A IA, diz ele, pode ajudar.
Ferreira recentemente colaborou com colegas que trabalham no Joint European Torus (JET) no Reino Unido em um estudo que detalhou três usos diferentes para IA, aprendizado de máquina e modelos de aprendizado profundo para pesquisa de fusão. Ferreira treinou seus modelos usando dados diagnósticos de 48 sensores conectados ao reator JET, chamados de bolômetros , que coletam dados de energia e radiação.
Um dos modelos de Ferreira prevê interrupções em um plasma superaquecido. No estudo, ele explica que, dependendo de como é treinado, o modelo pode prever a probabilidade de interrupção – o que pode resultar em um plasma escapando do confinamento, sacudindo o equipamento, reduzindo drasticamente a temperatura do plasma e encerrando a reação – ou estimar o momento em que essa interrupção ocorrerá.
Um segundo modelo detecta anomalias no plasma. Treinado apenas em reações onde não ocorreram interrupções, o modelo pode reproduzir esses “bons” experimentos. Se os dados se originam em um experimento que terminou em uma interrupção, o modelo pode identificar quando e como os dados divergem de uma reação bem-sucedida. Os cientistas poderiam usar esse processo para entender melhor o que em última instância leva a interrupções e, eventualmente, para executar reações nas quais as interrupções são menos prováveis.
Outra aplicação diz respeito a representações visuais de padrões de radiação de plasma. Executar cálculos diretos e de força bruta, diz Ferriera, pode levar 20 minutos para cada reação. Por outro lado, outro modelo do grupo de pesquisa de Ferreira pode produzir imagens semelhantes em segundos ou até menos. É tão rápido, Ferreira diz que um dia poderá ser feito durante um experimento em tempo real.
Pesquisadores da Universidade de Washington, incluindo Kyle Morgan e Chris Hansen, publicaram recentemente um estudo detalhando um método que usa aprendizado de máquina para prever o comportamento de um plasma. Seu modelo, que usa uma técnica estatística chamada regressão, essencialmente elimina cenários que levam a resultados absurdos, permitindo usar menos dados, menos poder computacional e menos tempo. Hansen diz que embora o modelo no estudo não funcione rápido o suficiente para ser usado durante um experimento, ele acha que poderia eventualmente.
Os pesquisadores publicaram outro estudo recente que usou uma única GPU para controlar um experimento de fusão que anteriormente exigia vários computadores. Esse tipo de sistema poderoso, diz Hansen, poderia eventualmente ser usado para executar o modelo com rapidez suficiente para ser útil durante um experimento.
Outros métodos podem ser usados antes ou depois de um experimento. Em um estudo recente , Stefano Markidis, professor associado de ciência da computação no KTH Royal Institute of Technology em Estocolmo, Suécia, junto com seu colega Xavier Aguilar, criou um modelo de aprendizado profundo que resolve uma das etapas mais computacionalmente intensivas para determinar informações sobre um plasma – calculando seu campo elétrico.
O método era mais rápido e, em alguns casos, mais preciso do que o método tradicional envolvendo equações matemáticas complexas.
A IA e o aprendizado de máquina têm suas desvantagens nos sistemas de fusão nuclear. Algoritmos de aprendizado de máquina, especialmente modelos de aprendizado profundo, são “caixas pretas” – nem sempre é possível saber como um modelo obtém seus resultados. Mas, ao trabalhar com esses algoritmos, os cientistas podem colher pedaços do que esses modelos veem e aprender mais sobre a física do plasma e da fusão.
“No final do dia, serão nossas mentes que resolverão o problema da fusão”, diz ele. “É apenas uma questão de quais ferramentas usamos, e a IA e o aprendizado de máquina serão uma ferramenta importante.”
Sobre a autora REBECCA SOHN
Rebecca Sohn é jornalista científica freelance. Seu trabalho apareceu em Live Science, Slate e Popular Science, entre outros. Ela foi estagiária na STAT e na CalMatters, bem como bolsista de ciências na Mashable. Quando não está contando uma história, Rebecca gosta de tocar violino, dançar folclórica e escrever poesia. Você pode encontrar o trabalho dela em rebecca-sohn.comou segui-la no twitter @ RebeccaSohn2.
Fonte: IEEE
