Un jeune scientifique d'une université néerlandaise a créé un algorithme de réseau neuronal qui permet d'accélérer radicalement la simulation du comportement du plasma dans un réacteur à fusion.
Plus un problème scientifique ou technique est complexe, plus le rôle de la simulation informatique dans sa résolution est important. Cette règle est presque toujours confirmée par la pratique, et la physique moderne ne fait pas exception. Un réacteur thermonucléaire en état de marche, produisant au moins autant d'énergie que ce qui a été dépensé pour le lancer et le faire fonctionner, est le Saint Graal pour les scientifiques modernes. Et la complexité de calcul incroyablement élevée des modèles décrivant le comportement du plasma dans une telle configuration nous empêche de l'approcher.
Et compte tenu du coût de tous les stellarators et tokamaks, il est hautement souhaitable d'éviter les erreurs lors de la réalisation d'expériences sur ceux-ci. Et le temps coûte cher, et il vaut mieux éviter d'endommager les installations. Par conséquent, la valeur des modèles augmente également: il est plus facile et plus sûr pour les scientifiques de tester d'abord leurs hypothèses dans des simulations. Il s'avère que l'un des facteurs limitants pour faire avancer les progrès dans le domaine de la réaction thermonucléaire contrôlée est l'efficacité des modèles. Et jusqu'à présent, c'est loin d'être idéal: les superordinateurs sont utilisés pour des calculs à grande échelle, et des résultats approximatifs sont obtenus grâce à des centaines d'heures de fonctionnement de PC ordinaires.
Aaron Ho, doctorant à l'Université technique d'Eindhoven (Pays-Bas), a tenté de remédier à la situation. Il travaille au sein du Fusion Research Group du Département de physique appliquée. Selon SciTechDaily, Ho a récemment soutenu sa thèse de doctorat sur l'application de l'intelligence artificielle pour simuler le comportement du plasma dans les tokamaks. L'algorithme qu'il a créé est déjà inclus dans un puissant ensemble d'outils logiciels pour les physiciens nucléaires appelé JINTRAC.
L'idée du jeune scientifique est de remplacer le code décrivant le modèle de turbulence d'ordre faible par un réseau de neurones. Il a formé l'IA sur plusieurs jeux de données - entrées, issues d'installations scientifiques réelles, et résultats de l'outil QuaLiKiz existant, qui prédit le mouvement du plasma dans les tokomaks en raison des microturbulences. Comme il s'agit du principal mécanisme de transfert dans de tels appareils, la précision et la vitesse du modèle sont importantes. Après la formation, le réseau de neurones a été intégré à QuaLiKiz et testé sur de nouvelles données, en le comparant à l'ancien algorithme.
Cela s'est avéré plus qu'impressionnant. Le QuaLiKiz régulier a terminé la tâche sur 16 cœurs en 217 heures, tandis que celui équipé de l'IA a terminé la tâche sur un cœur en deux heures. C'est-à-dire que même sans tenir compte de la différence de nombre de processeurs requis pour que le modèle fonctionne, l'accélération s'est avérée être plus d'une centaine. Et si nous évaluons l'intensité totale des ressources, la différence est beaucoup plus grande.
Mais la méthode, bien sûr, a ses limites, car rien n'est gratuit. La précision du nouveau modèle lors des tests était plus faible: les résultats entre le « réseau de neurones » et le QuaLiKiz habituel différaient d'environ 10 %. Il y a place à l'amélioration en ce moment, mais il est fondamentalement impossible d'atteindre une précision à 100% avec l'intelligence artificielle. D'autre part, QuaLiKiz lui-même est utilisé pour une modélisation simplifiée, puisqu'il utilise des calculs approximatifs. Par conséquent, dans le cas décrit, la vitesse est plus importante et il existe d'autres outils pour des calculs plus précis.