Les chercheurs du MIT ont fait progresser les expériences de fusion en développant une méthode permettant de prédire avec précision le comportement du plasma à l’aide d’images de caméra et de l’IA. Cette technique fournit des informations sur la dynamique du plasma, essentielle pour parvenir à une production nette d’énergie de fusion. Crédit : Issues.fr.com
Les réseaux de neurones guidés par la physique créent de nouvelles façons d’observer la complexité des plasmas.
Les expériences de fusion se déroulent dans des conditions extrêmes, avec de la matière à extrêmement haute température contenue dans des chambres à vide spécialisées. Ces conditions limitent la capacité des outils de diagnostic à collecter des données sur les plasmas de fusion. De plus, les modèles informatiques de plasmas sont très complexes et ont du mal à caractériser les plasmas turbulents. Cela rend difficile la comparaison des modèles avec les mesures des dispositifs expérimentaux de fusion.
Relier la modélisation du plasma et les expériences
En réponse, les chercheurs ont démontré une nouvelle façon de combler plasma modélisation et expérimentations. À l’aide d’images provenant de caméras couramment installées dans des appareils à fusion dotés d’un filtre optique, les chercheurs ont développé une technique permettant de déduire la densité électronique et les fluctuations de température. Les scientifiques en fusion peuvent utiliser ces informations dans des expériences pour prédire les champs de plasma d’une manière cohérente avec la théorie.
En utilisant la lumière provenant du bord d’un plasma dans un tokamak (vue intérieure à gauche), un réseau neuronal informé par la physique reconstruit les fluctuations turbulentes de la densité et de la température du plasma ainsi que la distribution d’une bouffée de gaz d’hélium (à droite). Crédit : A. Mathews, J. Hughes et J. Mullen
Défis de la modélisation prédictive
La modélisation prédictive de la turbulence du plasma dans les expériences de fusion est un défi. Cela est dû à la difficulté de modéliser les conditions aux limites de ces systèmes chaotiques. En utilisant une approche personnalisée de l’apprentissage automatique basée sur la physique, les chercheurs ont développé un cadre capable de résoudre directement les propriétés du plasma qui ne sont généralement pas résolues dans les limites des dispositifs de fusion expérimentaux. Cela permet aux scientifiques de prédire le comportement des fluctuations du plasma lors des expériences. Cela leur permet également de tester des modèles prédictifs d’une manière cohérente avec la théorie. Ce type de modélisation de la turbulence n’était pas pratique auparavant.
Importance du confinement dans les plasmas de fusion
Un confinement adéquat des plasmas de fusion est essentiel pour atteindre l’objectif de production nette d’énergie de fusion. Un élément clé pour prédire le confinement est de comprendre comment les instabilités du plasma peuvent provoquer un refroidissement et une perte de performances au sein du dispositif de fusion. En conséquence, la communauté de la fusion a passé des décennies à améliorer les capacités de mesure des expériences afin d’affiner les modèles prédictifs. Cependant, les températures extrêmes et les conditions de vide nécessaires à la fusion rendent très difficile le déploiement de diagnostics dans les dispositifs de fusion. Des chercheurs du Massachusetts Institute of Technology ont récemment publié deux articles abordant ce défi.
Recherche innovante du MIT
Dans le premier article, les chercheurs ont démontré comment photon les comptages collectés par des caméras rapides couramment utilisées peuvent être convertis en densité électronique et en fluctuations de température à des échelles turbulentes à l’aide d’un nouveau cadre d’IA basé sur la physique qui combine des données expérimentales avec une modélisation radiative et une théorie cinétique. Les résultats constituent de nouvelles connaissances expérimentales sur la dynamique du plasma jusqu’alors inobservée.
Dans le deuxième article, l’équipe a utilisé ces informations dynamiques sur les électrons en conjonction avec une théorie largement utilisée de la turbulence du plasma pour prédire les fluctuations du champ électrique directement cohérentes avec les équations aux dérivées partielles dans un cadre expérimental. Ce travail va au-delà des méthodes numériques conventionnelles et utilise à la place des architectures de réseaux neuronaux spécialement créées et basées sur la physique pour développer un nouveau type de modélisation des propriétés non linéaires des plasmas. Ces travaux ouvrent de nouvelles voies scientifiques pour comprendre si les prédictions théoriques correspondent aux observations.
Le soutien financier est venu du Conseil de recherches en sciences naturelles et en génie du Canada par le biais d’une bourse de doctorat postuniversitaire, du Bureau des sciences du ministère de l’Énergie, du programme Fusion Energy Sciences, d’une bourse Joseph P. Kearney et d’une bourse Manson Benedict du Massachusetts Institute of Technology. Département des sciences et de l’ingénierie nucléaires.
