Междисциплинарная команда исследователей в настоящее время использует инструменты и идеи машинного обучения, чтобы помочь этим усилиям. Ученые из Массачусетского технологического института и других стран использовали модели компьютерного зрения для выявления и отслеживания турбулентных структур, которые появляются в условиях, необходимых для облегчения термоядерных реакций.

Мониторинг образования и движения этих структур, называемых нитями или "сгустками", важен для понимания потоков тепла и частиц, выходящих из реагирующего топлива, что в конечном итоге определяет технические требования к стенкам реактора для удовлетворения этих потоков. Однако ученые обычно изучают большие объекты, используя методы усреднения, которые меняют детали отдельных структур в пользу агрегированной статистики. Информацию об отдельных больших двоичных объектах необходимо отслеживать, отмечая их вручную в видеоданных.

Исследователи создали синтетический набор видеоданных о турбулентности плазмы, чтобы сделать этот процесс более эффективным. Они использовали его для обучения четырех моделей компьютерного зрения, каждая из которых идентифицирует и отслеживает большие объекты. Они обучили модели точно определять точки теми же способами, что и люди.

Когда исследователи протестировали обученные модели с использованием реальных видеоклипов, модели смогли идентифицировать сгустки с высокой точностью - в некоторых случаях более 80 процентов. Модели также смогли эффективно оценить размер сгустков и скорость, с которой они перемещались.

Поскольку миллионы видеокадров снимаются всего за один эксперимент по слиянию, использование моделей машинного обучения для отслеживания сгустков могло бы дать ученым гораздо более подробную информацию.

"Раньше мы могли получить макроскопическую картину того, что эти структуры делают в среднем. Теперь у нас есть микроскоп и вычислительные мощности для анализа одного события за раз. Если мы сделаем шаг назад, то это покажет мощь, доступную этим методам машинного обучения, и способы использования этих вычислительных ресурсов для достижения прогресса", - говорит Теодор Гольфинопулос, научный сотрудник Центра плазменной науки и термоядерного синтеза Массачусетского технологического института и соавтор статьи, подробно описывающей эти подходы.

Среди его коллег-соавторов - ведущий автор Вунхи "Гарри" Хан, кандидат наук по физике; старший автор Иддо Дрори, приглашенный профессор Лаборатории компьютерных наук и искусственного интеллекта (CSAIL), доцент Бостонского университета и адъюнкт Колумбийского университета; а также другие сотрудники MIT Plasma Центр науки и синтеза, департамент гражданского строительства и охраны окружающей среды Массачусетского технологического института и Швейцарский федеральный технологический институт в Лозанне в Швейцарии. Результаты исследования опубликованы сегодня в журнале Nature Scientific Reports.

Накаляя обстановку

Уже более 70 лет ученые стремятся использовать управляемые реакции термоядерного синтеза для разработки источника энергии. Чтобы достичь условий, необходимых для термоядерной реакции, топливо должно быть нагрето до температуры выше 100 миллионов градусов Цельсия. (Температура ядра солнца составляет около 15 миллионов градусов по Цельсию.)

Распространенным методом удержания этого сверхгорячего топлива, называемого плазмой, является использование токамака. Эти устройства используют чрезвычайно мощные магнитные поля для удержания плазмы на месте и управления взаимодействием между выделяющимся теплом плазмы и стенками реактора.

Однако капли выглядят как нити, выпадающие из плазмы на самом краю, между плазмой и стенками реактора. Эти случайные, турбулентные структуры влияют на то, как энергия течет между плазмой и реактором.

"Знание того, что делают капли, сильно ограничивает технические характеристики, которые необходимы вашей электростанции токамак на переднем крае", - добавляет Гольфинопулос.

Исследователи используют уникальную технику визуализации для видеосъемки турбулентного края плазмы во время экспериментов. Экспериментальная кампания может длиться месяцами; в обычный день данные обрабатываются примерно за 30 секунд, что соответствует примерно 60 миллионам видеокадров, при этом каждую секунду появляются тысячи больших двоичных объектов. Это делает невозможным отслеживание всех больших двоичных объектов вручную, поэтому исследователи полагаются на методы усредненной выборки, которые дают только общие характеристики размера больших двоичных объектов, скорости и частоты.

"С другой стороны, машинное обучение обеспечивает решение этой проблемы путем отслеживания больших двоичных объектов для каждого кадра, а не только средних величин. Это дает нам гораздо больше знаний о том, что происходит на границе плазмы", - говорит Хан.

Он и его соавторы взяли четыре хорошо зарекомендовавшие себя модели компьютерного зрения, которые обычно используются для таких приложений, как автономное вождение, и обучили их решению этой проблемы.

Имитация больших двоичных объектов

Чтобы обучить эти модели, они создали обширный набор данных синтетических видеоклипов, которые запечатлели случайный и непредсказуемый характер больших двоичных объектов.

"Иногда они меняют направление или скорость, иногда несколько сгустков сливаются или разделяются на части. Такого рода события раньше не рассматривались с помощью традиционных подходов, но мы могли свободно моделировать это поведение в синтетических данных", - говорит Хан.

Создание синтетических данных также позволило им пометить каждый большой двоичный объект, что сделало процесс обучения более эффективным, добавляет Дрори.

Используя эти синтетические данные, они обучили модели рисовать границы вокруг больших двоичных объектов, научив их точно имитировать то, что нарисовал бы ученый-человек.

Затем они протестировали модели, используя реальные видеоданные из экспериментов. Сначала они измерили, насколько точно границы, нарисованные моделями, совпадали с реальными контурами больших двоичных объектов.

Но они также хотели посмотреть, предсказывают ли модели объекты, которые люди будут идентифицировать. Они попросили трех экспертов-людей точно определить центры сгустков в видеокадрах и проверили, предсказывают ли модели сгустки в тех же местах.

Модели смогли нарисовать точные границы сгустков, перекрывающиеся с контурами яркости, которые считаются достоверными примерно в 80 процентах случаев. Их оценки были аналогичны оценкам экспертов-людей и успешно предсказали теоретически определенный режим blob, который согласуется с результатами традиционного метода.

Теперь, когда они продемонстрировали успех использования синтетических данных и моделей компьютерного зрения для отслеживания сгустков, исследователи планируют применить эти методы к другим проблемам в исследованиях термоядерного синтеза, таким как оценка переноса частиц на границе плазмы, говорит Хан.

Они также сделали набор данных и модели общедоступными и с нетерпением ждут возможности увидеть, как другие исследовательские группы применяют эти инструменты для изучения динамики больших двоичных объектов, говорит Дрори.

"До этого существовал барьер для входа, заключавшийся в том, что в основном единственными людьми, работающими над этой проблемой, были физики плазмы, у которых были наборы данных и которые использовали их методы. Существует огромное сообщество в области машинного обучения и компьютерного зрения. Одной из целей этой работы является поощрение участия в исследованиях синтеза со стороны более широкого сообщества машинного обучения для достижения более широкой цели - помочь решить критическую проблему изменения климата", - добавляет он.

Это исследование частично поддерживается Министерством энергетики США и Швейцарским национальным научным фондом.