Seorang ilmuwan muda dari universitas Belanda telah menciptakan algoritma jaringan saraf yang memungkinkan Anda untuk secara radikal mempercepat simulasi perilaku plasma dalam reaktor fusi.
Semakin kompleks masalah ilmiah atau rekayasa, semakin besar peran simulasi komputer dalam menyelesaikannya. Aturan ini hampir selalu dikonfirmasi oleh praktik, dan fisika modern tidak terkecuali. Reaktor termonuklir yang berfungsi, menghasilkan setidaknya energi sebanyak yang dikeluarkan untuk meluncurkan dan mengoperasikannya, adalah Cawan Suci bagi para ilmuwan modern. Dan kompleksitas komputasi yang sangat tinggi dari model yang menggambarkan perilaku plasma dalam pengaturan seperti itu mencegah kita untuk mendekatinya.
Dan mengingat biaya stellarator dan tokamaks, sangat diinginkan untuk menghindari kesalahan saat melakukan eksperimen pada mereka. Dan waktu itu mahal, dan lebih baik menghindari kerusakan pada instalasi. Oleh karena itu, nilai model juga meningkat: lebih mudah dan lebih aman bagi para ilmuwan untuk terlebih dahulu menguji hipotesis mereka dalam simulasi. Ternyata salah satu faktor pembatas dalam memajukan kemajuan di bidang reaksi termonuklir terkendali adalah efektivitas model. Dan sejauh ini jauh dari ideal: superkomputer digunakan untuk perhitungan skala penuh, dan hasil perkiraan diperoleh sebagai hasil dari ratusan jam pengoperasian PC biasa.
Aaron Ho, mahasiswa doktoral di Technical University of Eindhoven (Belanda), mencoba memperbaiki keadaan. Dia bekerja di Fusion Research Group dari Departemen Fisika Terapan. Menurut SciTechDaily, Ho baru-baru ini mempertahankan disertasi doktoralnya tentang penerapan kecerdasan buatan untuk mensimulasikan perilaku plasma di tokamaks. Algoritme yang dia buat sudah termasuk dalam seperangkat alat perangkat lunak yang kuat untuk fisikawan nuklir yang disebut JINTRAC.
Ide ilmuwan muda adalah untuk mengganti kode yang menggambarkan model turbulensi tingkat rendah dengan jaringan saraf. Dia melatih AI pada beberapa set data - input, dari instalasi ilmiah nyata, dan hasil dari alat QuaLiKiz yang ada, yang memprediksi pergerakan plasma di tokomaks karena mikroturbulensi. Karena ini adalah mekanisme transfer utama dalam perangkat semacam itu, akurasi dan kecepatan model menjadi penting. Setelah pelatihan, jaringan saraf diintegrasikan ke dalam QuaLiKiz dan diuji pada data baru, membandingkannya dengan algoritma lama.
Ternyata lebih dari mengesankan. QuaLiKiz biasa menyelesaikan tugas pada 16 inti dalam 217 jam, sedangkan yang dilengkapi AI menyelesaikan tugas pada satu inti dalam dua jam. Artinya, bahkan tanpa memperhitungkan perbedaan jumlah prosesor yang diperlukan agar model berfungsi, akselerasinya ternyata lebih dari seratus kali lipat. Dan jika kita mengevaluasi intensitas sumber daya total, perbedaannya jauh lebih besar.
Namun cara tersebut tentu memiliki keterbatasan, karena tidak ada yang gratis. Keakuratan model baru selama pengujian lebih rendah: hasil antara "jaringan saraf" dan QuaLiKiz biasa berbeda sekitar 10%. Ada ruang untuk perbaikan saat ini, tetapi pada dasarnya tidak mungkin untuk mencapai akurasi 100% dengan kecerdasan buatan. Di sisi lain, QuaLiKiz sendiri digunakan untuk pemodelan yang disederhanakan, karena menggunakan perhitungan perkiraan. Oleh karena itu, dalam kasus yang dijelaskan, kecepatan lebih penting, dan ada alat lain untuk perhitungan yang lebih akurat.