[ad_1]
Fusion, que promete energía virtualmente ilimitada y libre de carbono utilizando los mismos procesos que alimentan al sol, está en el centro de un esfuerzo de investigación global que podría ayudar a detener el cambio climático.
Un equipo multidisciplinario de investigadores ahora está aportando herramientas y conocimientos del aprendizaje automático para respaldar este esfuerzo. Científicos del MIT y otros lugares han utilizado modelos de visión por computadora para identificar y rastrear estructuras turbulentas que ocurren bajo las condiciones requeridas para facilitar las reacciones de fusión.
Es importante monitorear la formación y los movimientos de estas estructuras, llamadas filamentos o «manchas», para comprender los flujos de calor y partículas que emanan del combustible en reacción, lo que finalmente determina los requisitos de ingeniería para que las paredes del reactor a su alrededor cumplan con las corrientes. Sin embargo, los científicos suelen estudiar las manchas utilizando técnicas de promedio, que intercambian detalles de estructuras individuales en favor de estadísticas agregadas. La información de blobs individuales debe rastrearse etiquetándola manualmente en los datos de video.
Los investigadores crearon un conjunto de datos de video sintético de turbulencia de plasma para hacer que este proceso sea más efectivo y eficiente. Lo usaron para entrenar cuatro modelos de visión por computadora, cada uno identificando y rastreando blobs. Entrenaron a los modelos para localizar manchas de la misma manera que lo harían los humanos.
Cuando los investigadores probaron los modelos entrenados con clips de video reales, los modelos pudieron identificar manchas con alta precisión, más del 80 por ciento en algunos casos. Los modelos también pudieron estimar de manera efectiva el tamaño de las manchas y las velocidades a las que se movían.
Con millones de cuadros de video capturados durante un solo experimento de fusión, el uso de modelos de aprendizaje automático para rastrear blobs podría proporcionar a los científicos información mucho más detallada.
“Solíamos ser capaces de obtener una imagen macroscópica de lo que hacen estas estructuras en promedio. Ahora tenemos un microscopio y el poder de cómputo para analizar un evento a la vez. Dar un paso atrás revela el poder de estas técnicas de aprendizaje automático y las formas de utilizar estos recursos computacionales para progresar”, dice Theodore Golfinopoulos, científico investigador del Plasma Science and Fusion Center del MIT y coautor de un artículo que detalla estos enfoques.
Sus coautores incluyen al autor principal Woonghee «Harry» Han, estudiante graduado de física; el autor principal Iddo Drori, profesor invitado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL), profesor asociado de la facultad en la Universidad de Boston y profesor adjunto en la Universidad de Columbia; y otros del Centro de Ciencia y Fusión de Plasma del MIT, el Departamento de Ingeniería Civil y Ambiental del MIT y el Instituto Federal Suizo de Tecnología en Lausana, Suiza. La investigación aparece hoy en Informes científicos.
calentar las cosas
Durante más de 70 años, los científicos han tratado de utilizar reacciones de fusión termonuclear controladas para desarrollar una fuente de energía. Para lograr las condiciones necesarias para una reacción de fusión, el combustible debe calentarse a temperaturas superiores a los 100 millones de grados centígrados. (El núcleo del sol está a unos 15 millones de grados centígrados).
Una forma común de contener este combustible súper caliente llamado plasma es usar un tokamak. Estos dispositivos usan campos magnéticos extremadamente fuertes para mantener el plasma en su lugar y controlar la interacción entre el calor residual del plasma y las paredes del reactor.
Sin embargo, las manchas aparecen como filamentos que caen del plasma en el borde entre las paredes del reactor y el plasma. Estas estructuras aleatorias y turbulentas afectan el flujo de energía entre el plasma y el reactor.
«Saber lo que están haciendo las manchas limita severamente la potencia de ingeniería que necesita su planta de energía tokamak», agrega Golfinopoulos.
Los investigadores utilizan una técnica de imagen única para grabar videos del borde turbulento del plasma durante los experimentos. Una campaña experimental puede durar meses; Un día típico produce unos 30 segundos de datos, lo que equivale a unos 60 millones de fotogramas de vídeo, con miles de blobs que aparecen cada segundo. Esto hace que sea imposible realizar un seguimiento manual de todos los blobs, por lo que los investigadores se basan en técnicas de muestreo promedio que solo proporcionan características generales del tamaño, la velocidad y la frecuencia de los blobs.
“Por otro lado, el aprendizaje automático ofrece una solución a esto al proporcionar un seguimiento blob-by-blob para cada cuadro, no solo cantidades promedio. Eso nos da mucho más conocimiento sobre lo que sucede en el límite del plasma», dice Han.
Él y sus coautores tomaron cuatro modelos de visión por computadora establecidos que se usan comúnmente para aplicaciones como la conducción autónoma y los entrenaron para abordar este problema.
Simular manchas
Para entrenar estos modelos, crearon un gran conjunto de datos de clips de video sintéticos que capturaron la naturaleza aleatoria e impredecible de las manchas.
“A veces cambian de dirección o velocidad, a veces se fusionan o se dividen varias manchas. Este tipo de eventos no se habían tenido en cuenta previamente con los enfoques tradicionales, pero pudimos simular libremente este comportamiento en los datos sintéticos», dice Han.
Al crear datos sintéticos, también pudieron etiquetar cada blob, lo que hizo que el proceso de capacitación fuera más efectivo, agrega Drori.
Usando estos datos sintéticos, entrenaron a los modelos para dibujar límites alrededor de las manchas y les enseñaron a imitar exactamente lo que dibujaría un científico humano.
Luego probaron los modelos con datos de video reales de experimentos. Primero, midieron qué tan cerca los límites que dibujaban los modelos coincidían con los contornos reales de las manchas.
Pero también querían ver si los modelos predecían objetos que la gente identificaría. Pidieron a tres expertos humanos que ubicaran los centros de las manchas en imágenes de video y verificaron que los modelos predijeran manchas en las mismas ubicaciones.
Los modelos pudieron dibujar límites precisos de manchas que se superponían con contornos de brillo que se creía que eran reales aproximadamente el 80 por ciento de las veces. Sus evaluaciones fueron similares a las de los expertos humanos y predijeron con éxito el régimen definido por la teoría de la mancha, de acuerdo con los resultados de un método tradicional.
Después de mostrar el éxito del uso de datos sintéticos y modelos de visión por computadora para rastrear manchas, los investigadores planean aplicar estas técnicas a otros problemas en la investigación de fusión, como estimar el transporte de partículas en el límite de un plasma, dice Han.
También han puesto a disposición del público el conjunto de datos y los modelos, y esperan ver cómo otros grupos de investigación aplican estas herramientas para estudiar la dinámica de las manchas, dice Drori.
“Antes de eso, había una barrera de entrada porque, en su mayoría, solo los físicos de plasma que tenían los conjuntos de datos y aplicaban sus métodos estaban trabajando en este problema. Hay una gran comunidad de aprendizaje automático y visión artificial. Un objetivo de este trabajo es alentar la participación en la investigación de fusión de la comunidad más amplia de aprendizaje automático para lograr el objetivo más amplio de ayudar a resolver el problema crítico del cambio climático”, agrega.
Esta investigación está financiada en parte por el Departamento de Energía de EE. UU. y la Fundación Nacional de Ciencias de Suiza.
[ad_2]