Bir araştırma grubu, yapay zekaya füzyon araştırması için kullanılan yüksek güçlü bir plazma akışını manyetik olarak değiştirmeyi öğretti – ama bekleyin! EMP’lerinizi ve tornavidalarınızı bir kenara koyun, bu kesinlikle iyi bir şey, yaklaşan robokalipste insanlığa karşı kullanmak için korkunç bir silah değil.
Proje, Google’ın DeepMind ve l’École Polytechnique Fédérale de Lausanne (EPFL) arasındaki bir işbirliğidir ve yıllar önce eski AI araştırmacıları ve ikincisinden füzyon araştırmacıları bir Londra hackathon’da buluştuğunda başladı. EPFL’den Federico Felici, laboratuvarının tokamakındaki plazma bakımıyla ilgili yaşadığı sorunu açıkladı.
Böyle bir günlük şikayet! Yine de DeepMind ile bir akor vurdu ve ikisi işe yaradı.
Füzyon araştırmaları birçok şekilde yürütülür, ancak hepsi inanılmaz derecede yüksek sıcaklıklarda – yüz milyonlarca derece – oluşan plazmaları içerir. Kulağa tehlikeli geliyor ve öyle, ama bir tokamak onu kontrol altında tutmanın ve içinde meydana gelen füzyon aktivitesinin yakından gözlemlenmesine izin vermenin bir yoludur. Temel olarak, aşırı ısınmış plazmanın bir daire içinde hareket ettiği, yolu manyetik alanlar tarafından dikkatlice daraltıldığı bir simit veya çörek.
Açık olmak gerekirse, bu neredeyse sınırsız temiz enerji verdiğini duyduğunuz türden bir füzyon reaktörü değil; enerji üretmez ve aniden başlarsa yakınlarda olmak istemezsiniz. Bu uçucu ama umut verici süreçlerin nasıl kontrol edilebileceğini ve iyilik için kullanılabileceğini test etmek ve gözlemlemek için bir araştırma aracıdır.
Özellikle, İsviçre Plazma Merkezi’ndeki “değişken konfigürasyonlu” tokamak, yalnızca bir plazma halkasının tutulmasına değil, aynı zamanda araştırmacıların şeklini ve yolunu kontrol etmesine de izin veriyor. Manyetik parametreler saniyede binlerce kez ayarlanarak halka daha geniş, daha ince, daha yoğun veya daha dağınık hale getirilebilir, kalitesini etkileyebilecek her türlü faktör.
Resim Kredisi: DeepMind ve SPC/EPFL
Makinenin manyetik alanları için kesin ayarlar, doğal olarak önceden belirlenmelidir, çünkü onları kötü bir şekilde doğaçlamanın maliyeti potansiyel olarak ciddi hasarlardır. Ayarlar, ekibin yıllardır güncellediği güçlü bir tokamak ve plazma simülatörü kullanılarak yapılandırılır. Ancak Felici’nin bir EPFL haber bülteninde açıkladığı gibi: “Kontrol sistemindeki her bir değişken için doğru değeri belirlemek için hala uzun hesaplamalara ihtiyaç var. DeepMind ile ortak araştırma projemiz burada devreye giriyor.”
Ekipler, önce belirli bir ayar kümesinin hangi plazma modelini üreteceğini tahmin etmek, ardından istenen bir plazma modelinden geriye doğru çalışmak ve onu üretecek ayarları belirlemek için bir makine öğrenimi sistemi eğitti. (Basitçe ifade edilir, bu tür AI uygulamalarında sıklıkla olduğu gibi o kadar basit bir şekilde elde edilmez.)
bir kağıda göre Nature dergisinde bugün yayınlananyaklaşım büyük bir başarıydı:
Bu mimari, yüksek düzeyde belirtilen kontrol hedeflerini karşılarken, aynı zamanda fiziksel ve operasyonel kısıtlamaları da karşılar. Bu yaklaşım, problem spesifikasyonunda benzeri görülmemiş bir esnekliğe ve genelliğe sahiptir ve yeni plazma konfigürasyonları üretmek için tasarım çabasında kayda değer bir azalma sağlar. Tokamak à Konfigürasyon Değişkeninde uzun, geleneksel şekiller ve ayrıca negatif üçgenlik ve ‘kar tanesi’ konfigürasyonları gibi gelişmiş konfigürasyonlar dahil olmak üzere çeşitli plazma konfigürasyonlarını başarıyla üretiyor ve kontrol ediyoruz.
Ve işte modelin üretebildiği farklı şekil ve konfigürasyonlardan bazı örnekler:
İç kısmın ve kirişin kesit görünümünü gösteren tokamak “çöreği” dilimi. Resim Kredisi: DeepMind ve SPC/EPFL
Bu önemli bir iştir, çünkü böyle bir plazma ile deney yapmak -güç için kullanmak şöyle dursun- çok sayıda (milyonlarca düşünün) küçük ince ayar gerektirir ve bunların hepsi manuel olarak yapılandırılamaz. Bir teori, biri diğerinden %22 daha büyük olan iki akışı gerektiriyorsa, bunu “geleneksel” yöntemlerle (açık olmak gerekirse, zaten fevkalade karmaşık olan) kullanarak üretmek için teorik ayarları bulmak haftalar veya aylar alabilir. dijital simülasyonlar). Ancak bir yapay zeka, o zamanın küçük bir bölümünde iyi bir eşleşme bulabilir, ya çözümü tam orada yaratabilir ya da insan denetçilere çalışmak için güçlü bir başlangıç noktası verebilir.
Aynı zamanda güvenlik için de önemli olabilir, çünkü hiçbir insan bir veya iki saniye içinde bir anormallik içerebilecek ayarları doğaçlama yapamaz. Ancak bir AI, hasarı önlemek için ayarları gerçek zamanlı olarak değiştirebilir.
DeepMind araştırmacısı Martin Riedmiller, bunun “erken günler” olduğunu itiraf etti, ancak elbette bu, bilimdeki neredeyse her AI uygulaması için söylenebilir. Makine öğrenimi, sayısız disiplin için güçlü ve çok yönlü bir araç olduğunu kanıtlıyor – ancak iyi bilim adamları gibi her başarıyı bir tuz tanesiyle alıyorlar ve bir sonraki, daha kendinden emin sonucu dört gözle bekliyorlar.
