Créditos: Imagem Tokamak cortesia da École Polytechnique Fédérale de Lausanne e A. Herzog. Imagem “blob” em primeiro plano, cortesia dos pesquisadores. Editado por MIT News.
Uma nova abordagem esclarece o comportamento de estruturas turbulentas que podem afetar a energia gerada durante as reações de fusão, com implicações para o projeto do reator.
A fusão, que promete energia praticamente ilimitada e sem carbono usando os mesmos processos que alimentam o sol, está no centro de um esforço de pesquisa mundial que pode ajudar a mitigar as mudanças climáticas.
Uma equipe multidisciplinar de pesquisadores agora está trazendo ferramentas e insights de machine learning para ajudar nesse esforço. Cientistas do MIT e de outros lugares usaram modelos de visão computacional para identificar e rastrear estruturas turbulentas que aparecem sob as condições necessárias para facilitar as reações de fusão.
Monitorar a formação e os movimentos dessas estruturas, chamadas de filamentos ou “blobs”, é importante para entender os fluxos de calor e partículas que saem do combustível reagente, o que determina os requisitos de engenharia para as paredes do reator atenderem a esses fluxos. No entanto, os cientistas normalmente estudam blobs usando técnicas de média, que trocam detalhes de estruturas individuais em favor de estatísticas agregadas. As informações de blob individuais devem ser rastreadas marcando-as manualmente nos dados de vídeo.
Os pesquisadores construíram um conjunto de dados de vídeo sintético de turbulência de plasma para tornar esse processo mais eficaz e eficiente. Eles o usaram para treinar quatro modelos de visão computacional, cada um dos quais identifica e rastreia blobs. Eles treinaram os modelos para identificar bolhas da mesma forma que os humanos fariam.
Quando os pesquisadores testaram os modelos treinados usando videoclipes reais, os modelos puderam identificar bolhas com alta precisão – mais de 80% em alguns casos. Os modelos também foram capazes de estimar efetivamente o tamanho dos blobs e as velocidades em que eles se moviam.
Como milhões de quadros de vídeo são capturados durante apenas um experimento de fusão, o uso de modelos de machine learning para rastrear blobs pode fornecer aos cientistas informações muito mais detalhadas.
“Antes, podíamos obter uma imagem macroscópica do que essas estruturas estão fazendo em média. Agora, temos um microscópio e o poder computacional para analisar um evento de cada vez. Se dermos um passo para trás, o que isso revela é o poder disponível dessas técnicas de machine learning e as maneiras de usar esses recursos computacionais para progredir”, diz Theodore Golfinopoulos, cientista de pesquisa do MIT Plasma Science and Fusion Center e co. -autor de um artigo detalhando essas abordagens.
Seus colegas coautores incluem o autor principal Woonghee “Harry” Han, candidato a doutorado em física; autor sênior Iddo Drori, professor visitante no Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL), professor associado do corpo docente da Universidade de Boston e adjunto da Universidade de Columbia; bem como outros do MIT Plasma Science and Fusion Center, do Departamento de Engenharia Civil e Ambiental do MIT e do Instituto Federal Suíço de Tecnologia em Lausanne, na Suíça. A pesquisa aparece hoje na Nature Scientific Reports.
Aquecendo as coisas
Por mais de 70 anos, os cientistas procuraram usar reações controladas de fusão termonuclear para desenvolver uma fonte de energia. Para atingir as condições necessárias para uma reação de fusão, o combustível deve ser aquecido a temperaturas acima de 100 milhões de graus Celsius. (O núcleo do sol é de cerca de 15 milhões de graus Celsius.)
Um método comum para conter esse combustível superquente, chamado plasma, é usar um tokamak. Esses dispositivos utilizam campos magnéticos extremamente poderosos para manter o plasma no lugar e controlar a interação entre o calor de exaustão do plasma e as paredes do reator.
No entanto, bolhas aparecem como filamentos caindo do plasma na borda, entre o plasma e as paredes do reator. Essas estruturas aleatórias e turbulentas afetam como a energia flui entre o plasma e o reator.
“Saber o que os blobs estão fazendo restringe fortemente o desempenho de engenharia que sua usina tokamak precisa na borda”, acrescenta Golfinopoulos.
Os pesquisadores usam uma técnica de imagem exclusiva para capturar vídeo da borda turbulenta do plasma durante os experimentos. Uma campanha experimental pode durar meses; um dia típico produzirá cerca de 30 segundos de dados, correspondendo a aproximadamente 60 milhões de quadros de vídeo, com milhares de bolhas aparecendo a cada segundo. Isso torna impossível rastrear todos os blobs manualmente, de modo que os pesquisadores confiam em técnicas de amostragem médias que fornecem apenas características amplas de tamanho, velocidade e frequência do blob.
“Por outro lado, o machine learning fornece uma solução para isso, rastreando blob por blob para cada quadro, não apenas quantidades médias. Isso nos dá muito mais conhecimento sobre o que está acontecendo no limite do plasma”, diz Han.
Ele e seus coautores pegaram quatro modelos de visão computacional bem estabelecidos, que são comumente usados para aplicativos como direção autônoma, e os treinaram para lidar com esse problema.
Simulando bolhas
Para treinar esses modelos, eles criaram um vasto conjunto de dados de videoclipes sintéticos que capturaram a natureza aleatória e imprevisível dos blobs.
“Às vezes eles mudam de direção ou velocidade, às vezes vários blobs se fundem ou se separam. Esses eventos não foram considerados antes com abordagens tradicionais, mas poderíamos simular livremente esses tipos de comportamentos nos dados sintéticos”, diz Han.
A criação de dados sintéticos também permitiu rotular cada blob, o que tornou o processo de treinamento mais eficaz, acrescenta Drori.
Usando esses dados sintéticos, eles treinaram os modelos para traçar limites em torno de bolhas, ensinando-os a imitar de perto o que um cientista humano desenharia.
Em seguida, eles testaram os modelos usando dados de vídeo reais de experimentos. Primeiro, eles mediram a proximidade dos limites que os modelos traçaram com os contornos reais do blob.
Mas eles também queriam ver se os modelos previam objetos que os humanos identificariam. Eles pediram a três especialistas humanos para identificar os centros de bolhas em quadros de vídeo e verificaram se os modelos previam bolhas nesses mesmos locais.
Os modelos foram capazes de desenhar limites precisos de blob, sobrepondo-se a contornos de brilho que são considerados verdadeiros, cerca de 80% das vezes. Suas avaliações foram semelhantes às de especialistas humanos e previram com sucesso o regime do blob definido pela teoria, o que concorda com os resultados de um método tradicional.
Agora que eles mostraram o sucesso do uso de dados sintéticos e modelos de visão computacional para rastrear bolhas, os pesquisadores planejam aplicar essas técnicas a outros problemas na pesquisa de fusão, como estimar o transporte de partículas no limite de um plasma, diz Han.
Eles também disponibilizaram publicamente o conjunto de dados e os modelos e esperam ver como outros grupos de pesquisa aplicam essas ferramentas para estudar a dinâmica dos blobs, diz Drori.
“Antes disso, havia uma barreira à entrada de que principalmente as únicas pessoas que trabalhavam nesse problema eram físicos de plasma, que tinham os conjuntos de dados e estavam usando seus métodos. Existe uma enorme comunidade de machine learning e visão computacional. Um objetivo deste trabalho é incentivar a participação na pesquisa de fusão da comunidade mais ampla de machine learning em direção ao objetivo mais amplo de ajudar a resolver o problema crítico das mudanças climáticas”, acrescenta.
Publicado em 07/11/2022 23h44
Artigo original: