Les fluctuations de pression bidimensionnelles sont visualisées dans une simulation tridimensionnelle de plasma de fusion confiné magnétiquement. Grâce aux progrès récents des techniques d’apprentissage automatique, ces types d’observations partielles offrent de nouveaux moyens de tester les modèles de turbulence réduite, tant sur le plan théorique qu’expérimental. Crédit : Image fournie par le Plasma Science and Fusion Center.
MIT Les chercheurs du MIT testent la capacité d’une théorie simplifiée de la turbulence à modéliser des phénomènes complexes. plasma complexes à l’aide d’une nouvelle technique d’apprentissage automatique.
Pour faire de l’énergie de fusion une ressource viable pour le réseau énergétique mondial, les chercheurs doivent comprendre le mouvement turbulent des plasmas : un mélange d’ions et d’électrons tourbillonnant dans les cuves des réacteurs. Les particules de plasma, qui suivent les lignes de champ magnétique dans des chambres toroïdales appelées tokamaks, doivent être confinées suffisamment longtemps pour que les dispositifs de fusion produisent des gains significatifs d’énergie nette, un défi lorsque le bord chaud du plasma (plus d’un million de degrés) est à l’origine du problème. Celsius) n’est qu’à quelques centimètres des parois solides beaucoup plus froides de la cuve.
Abhilash Mathews, candidat au doctorat au département des sciences et de l’ingénierie nucléaires, qui travaille au Plasma Science and Fusion Center (PSFC) du MIT, estime que ce bord du plasma est une source particulièrement riche de questions sans réponse. Cette frontière turbulente est essentielle pour comprendre le confinement du plasma, l’alimentation en combustible et les flux de chaleur potentiellement dommageables qui peuvent frapper les surfaces des matériaux – des facteurs qui influent sur la conception des réacteurs de fusion.
Pour mieux comprendre les conditions de bord, les scientifiques se concentrent sur la modélisation de la turbulence à cette frontière à l’aide de simulations numériques qui aideront à prédire le comportement du plasma. Cependant, les simulations de “premiers principes” de cette région comptent parmi les calculs les plus difficiles et les plus longs de la recherche sur la fusion. Les progrès pourraient être accélérés si les chercheurs pouvaient mettre au point des modèles informatiques “réduits” qui fonctionnent beaucoup plus rapidement, mais avec des niveaux quantifiés d’incertitude. précision.
Pendant des décennies, les physiciens des tokamaks ont régulièrement utilisé une “théorie à deux fluides” réduite plutôt que des modèles de plus grande fidélité pour simuler les plasmas limites dans les expériences, malgré l’incertitude quant à la précision. Dans une paire de publications récentes, Mathews commence à tester directement l’exactitude de ce modèle réduit de turbulence du plasma d’une nouvelle manière : il combine la physique avec l’apprentissage automatique.
“Une théorie réussie est censée prédire ce que vous allez observer”, explique Mathews, “par exemple, la température, la densité, le potentiel électrique, les flux. Et ce sont les relations entre ces variables qui définissent fondamentalement une théorie de la turbulence. Ce que notre travail examine essentiellement, c’est la relation dynamique entre deux de ces variables : le champ électrique turbulent et la pression électronique.”
Dans le premier article, publié dans Physical Review EMathews emploie une nouvelle technique d’apprentissage profond qui utilise des réseaux de neurones artificiels pour construire des représentations des équations régissant la théorie des fluides réduits. Grâce à ce cadre, il démontre un moyen de calculer le champ électrique turbulent à partir d’une fluctuation de la pression des électrons dans le plasma, conformément à la théorie des fluides réduits. Les modèles couramment utilisés pour relier le champ électrique à la pression s’effondrent lorsqu’ils sont appliqués à des plasmas turbulents, mais celui-ci est robuste même aux mesures de pression bruyantes.
Dans le second article, publié dans Physics of PlasmasMathews approfondit cette connexion en la comparant à des simulations de turbulence de plus haute fidélité. Cette comparaison inédite de la turbulence entre les modèles était auparavant difficile, voire impossible, à évaluer avec précision. Mathews constate que dans les plasmas utilisés dans les dispositifs de fusion existants, les champs turbulents prédits par le modèle de fluide réduit sont conformes aux calculs de haute fidélité. En ce sens, la théorie de la turbulence réduite fonctionne. Mais pour la valider complètement, “il faut vérifier chaque connexion entre chaque variable”, dit Mathews.
Le conseiller de Mathews, le chercheur principal Jerry Hughes, note que la turbulence du plasma est notoirement difficile à simuler, plus que la turbulence familière observée dans l’air et l’eau. “Ce travail montre que, dans les bonnes conditions, les techniques d’apprentissage automatique fondées sur la physique peuvent brosser un tableau très complet du plasma de bord qui fluctue rapidement, à partir d’un ensemble limité d’observations. Je suis impatient de voir comment nous pourrons appliquer ces techniques à de nouvelles expériences, dans lesquelles nous n’observons pratiquement jamais tous les éléments du plasma.la quantité que nous voulons.”
Ces méthodes d’apprentissage profond informées par la physique ouvrent de nouvelles voies pour tester les anciennes théories et élargir ce qui peut être observé à partir de nouvelles expériences. David Hatch, chercheur à l’Institut d’études sur la fusion de l’Université du Texas à Austin, pense que ces applications sont le début d’une nouvelle technique prometteuse.
“Le travail d’Abhi est une réalisation majeure avec le potentiel d’une large application”, dit-il. “Par exemple, compte tenu de mesures diagnostiques limitées d’une quantité spécifique de plasma, l’apprentissage automatique informé par la physique pourrait déduire d’autres quantités de plasma dans un domaine voisin, augmentant ainsi les informations fournies par un diagnostic donné. Cette technique ouvre également de nouvelles stratégies pour la validation des modèles.”
Mathews prévoit des recherches passionnantes pour l’avenir.
“Traduire ces techniques dans des expériences de fusion pour des plasmas de bord réels est un objectif que nous avons en vue, et le travail est actuellement en cours”, dit-il. “Mais ce n’est que le début”.
Références :
“Uncovering turbulent plasma dynamics via deep learning from partial observations” par A. Mathews, M. Francisquez, J. W. Hughes, D. R. Hatch, B. Zhu et B. N. Rogers, 13 août 2021 , Physical Review E.
DOI: 10.1103/PhysRevE.104.025205
“Turbulent field fluctuations in gyrokinetic and fluid plasmas” par A. Mathews, N. Mandell, M. Francisquez, J. W. Hughes et A. Hakim, 1 novembre 2021, Physique des plasmas.
DOI : 10.1063/5.0066064
Mathews a été soutenu dans ce travail par la bourse Manson Benedict, le Conseil de recherches en sciences naturelles et en génie du Canada, et l’Office of Science du ministère de l’Énergie des États-Unis dans le cadre du programme des sciences de l’énergie de fusion ?
