기계 학습은 핵융합로에서 '난류 추적'을 용이하게 합니다.

[아름이]

기계 학습은 핵융합로에서 '난류 추적'을 용이하게 합니다.
날짜:
2022년 11월 2일
원천:
매사추세츠 공과 대학
요약:
연구원들은 제어 핵융합 연구에서 생성된 플라즈마에 나타나는 난류 구조를 모니터링하기 위해 컴퓨터 비전 모델의 사용을 시연했습니다. 그들은 플라스마와 플라스마 용기 벽 사이의 상호 작용에 영향을 줄 수 있는 구조를 식별하고 추적하도록 이러한 모델을 훈련하기 위해 합성 데이터 세트를 만들었습니다.

태양에 전력을 공급하는 것과 동일한 공정을 사용하여 실질적으로 무제한의 탄소가 없는 에너지를 약속하는 Fusion은 기후 변화를 완화하는 데 도움이 될 수 있는 세계적인 연구 노력의 핵심입니다.

여러 분야의 연구원 팀이 현재 이러한 노력을 지원하기 위해 기계 학습에서 도구와 통찰력을 제공하고 있습니다. MIT와 다른 곳의 과학자들은 융합 반응을 촉진하는 데 필요한 조건에서 나타나는 난류 구조를 식별하고 추적하기 위해 컴퓨터 비전 모델을 사용했습니다.

필라멘트 또는 "블롭"이라고 하는 이러한 구조의 형성 및 움직임을 모니터링하는 것은 반응 연료에서 나오는 열 및 입자 흐름을 이해하는 데 중요하며, 이는 궁극적으로 이러한 흐름을 충족하기 위한 원자로 벽에 대한 엔지니어링 요구 사항을 결정합니다. 그러나 과학자들은 일반적으로 평균화 기법을 사용하여 얼룩을 연구합니다. 이 기법은 개별 구조의 세부 사항을 집계 통계와 교환합니다. 개별 blob 정보는 비디오 데이터에서 수동으로 표시하여 추적해야 합니다.

연구원들은 이 과정을 보다 효과적이고 효율적으로 만들기 위해 플라즈마 난류의 합성 비디오 데이터 세트를 구축했습니다. 그들은 이를 사용하여 각각 얼룩을 식별하고 추적하는 4개의 컴퓨터 비전 모델을 훈련했습니다. 그들은 인간이 하는 것과 같은 방식으로 얼룩을 찾아내도록 모델을 훈련시켰습니다.

연구원들이 실제 비디오 클립을 사용하여 훈련된 모델을 테스트했을 때 모델은 어떤 경우에는 80% 이상인 높은 정확도로 얼룩을 식별할 수 있었습니다. 모델은 또한 얼룩의 크기와 이동 속도를 효과적으로 추정할 수 있었습니다.

단 한 번의 융합 실험 동안 수백만 개의 비디오 프레임이 캡처되기 때문에 기계 학습 모델을 사용하여 얼룩을 추적하면 과학자들에게 훨씬 더 자세한 정보를 제공할 수 있습니다.

"이전에는 이러한 구조가 평균적으로 무엇을 하는지에 대한 거시적 그림을 얻을 수 있었습니다. 이제 우리는 현미경과 한 번에 하나의 이벤트를 분석할 수 있는 계산 능력을 갖게 되었습니다. 한 걸음 뒤로 물러서면 이것이 보여주는 것은 사용 가능한 능력입니다. MIT 플라즈마 과학 및 융합 센터의 연구 과학자이자 이러한 접근 방식에 대해 자세히 설명하는 논문의 공동 저자인 Theodore Golfinopoulos는 이러한 기계 학습 기술과 이러한 계산 리소스를 사용하여 발전하는 방법을 설명합니다.

그의 동료 공동 저자로는 물리학 박사 후보인 한웅희 "해리" 수석 저자; 수석 저자 Iddo Drori, 컴퓨터 과학 및 인공 지능 연구소(CSAIL)의 방문 교수, 보스턴 대학의 부교수, 컬럼비아 대학의 겸임; 뿐만 아니라 MIT 플라즈마 과학 및 융합 센터, MIT 토목 및 환경 공학부, 스위스 로잔에 있는 스위스 연방 공과 대학의 다른 사람들도 포함됩니다. 이 연구는 오늘 Nature Scientific Reports에 게재되었습니다.

가열하기

70년 이상 동안 과학자들은 제어된 열핵 융합 반응을 사용하여 에너지원을 개발하려고 했습니다. 핵융합 반응에 필요한 조건에 도달하려면 연료를 섭씨 1억도 이상의 온도로 가열해야 합니다. (태양의 중심부는 약 섭씨 1,500만 도입니다.)

플라즈마라고 하는 이 초고온 연료를 저장하는 일반적인 방법은 토카막을 사용하는 것입니다. 이 장치는 플라즈마를 제자리에 유지하고 플라즈마의 배기열과 원자로 벽 사이의 상호 작용을 제어하기 위해 매우 강력한 자기장을 사용합니다.

그러나 얼룩은 플라즈마와 반응기 벽 사이의 맨 가장자리에서 플라즈마에서 떨어지는 필라멘트처럼 보입니다. 이러한 무작위의 난류 구조는 플라즈마와 원자로 사이에서 에너지가 흐르는 방식에 영향을 줍니다.

"블롭이 무엇을 하는지 알면 토카막 발전소가 엣지에서 필요로 하는 엔지니어링 성능이 크게 제한됩니다."라고 Golfinopoulos는 덧붙입니다.

연구원들은 실험 중 플라즈마의 난류 가장자리의 비디오를 캡처하기 위해 고유한 이미징 기술을 사용합니다. 실험적인 캠페인은 몇 달 동안 지속될 수 있습니다. 일반적인 하루는 약 6천만 개의 비디오 프레임에 해당하는 약 30초 분량의 데이터를 생성하며 초당 수천 개의 얼룩이 나타납니다. 이로 인해 모든 얼룩을 수동으로 추적하는 것이 불가능하므로 연구자들은 얼룩 크기, 속도 및 빈도의 광범위한 특성만 제공하는 평균 샘플링 기술에 의존합니다.

"반면, 기계 학습은 평균 양이 아니라 모든 프레임에 대해 얼룩별로 추적하여 이에 대한 솔루션을 제공합니다. 이것은 플라즈마 경계에서 무슨 일이 일어나고 있는지에 대해 훨씬 더 많은 지식을 제공합니다."라고 Han은 말합니다.

그와 그의 공동 저자는 자율 주행과 같은 애플리케이션에 일반적으로 사용되는 잘 정립된 컴퓨터 비전 모델 4개를 가져와 이 문제를 해결하도록 훈련했습니다.

얼룩 시뮬레이션

이러한 모델을 훈련시키기 위해 그들은 얼룩의 무작위적이고 예측할 수 없는 특성을 포착한 합성 비디오 클립의 방대한 데이터 세트를 만들었습니다.

"때로는 방향이나 속도를 변경하고, 때로는 여러 얼룩이 병합되거나 분리됩니다. 이러한 종류의 이벤트는 기존 접근 방식에서는 이전에 고려되지 않았지만 합성 데이터에서 이러한 동작을 자유롭게 시뮬레이션할 수 있었습니다."라고 Han은 말합니다.

또한 합성 데이터를 생성하여 각 얼룩에 레이블을 지정할 수 있어 교육 프로세스가 더 효과적이라고 Drori는 덧붙입니다.

그들은 이러한 합성 데이터를 사용하여 얼룩 주위에 경계를 그리도록 모델을 훈련시키고 인간 과학자가 그리는 것을 밀접하게 모방하도록 가르쳤습니다.

그런 다음 실험에서 얻은 실제 비디오 데이터를 사용하여 모델을 테스트했습니다. 먼저 모델이 그린 경계가 실제 얼룩 윤곽과 얼마나 가깝게 일치하는지 측정했습니다.

그러나 그들은 또한 모델이 인간이 식별할 대상을 예측하는지 확인하기를 원했습니다. 그들은 3명의 인간 전문가에게 비디오 프레임에서 얼룩의 중심을 정확히 찾아내도록 요청하고 모델이 동일한 위치에서 얼룩을 예측하는지 확인했습니다.

모델은 정확한 얼룩 경계를 그릴 수 있었고, 실제 확률로 간주되는 밝기 윤곽선과 겹치는 경우가 약 80%였습니다. 그들의 평가는 인간 전문가의 평가와 유사했으며 전통적인 방법의 결과와 일치하는 이론 정의 얼룩 영역을 성공적으로 예측했습니다.

이제 그들이 블롭을 추적하기 위해 합성 데이터와 컴퓨터 비전 모델을 사용하는 성공을 보여주었으므로 연구자들은 이러한 기술을 플라즈마 경계에서 입자 이동을 추정하는 것과 같은 융합 연구의 다른 문제에 적용할 계획이라고 Han은 말했습니다.

그들은 또한 데이터 세트와 모델을 공개적으로 사용할 수 있게 했으며 다른 연구 그룹이 얼룩의 역학을 연구하기 위해 이러한 도구를 어떻게 적용할지 기대하고 있다고 Drori는 말합니다.

"이전에는 이 문제에 대해 작업하는 대부분의 사람들이 플라즈마 물리학자뿐이라는 진입 장벽이 있었습니다. 이들은 데이터 세트를 보유하고 자신의 방법을 사용하고 있었습니다. 거대한 기계 학습 및 컴퓨터 비전 커뮤니티가 있습니다. 한 가지 목표는 이 작업은 기후 변화의 중요한 문제를 해결하는 데 도움이 되는 더 넓은 목표를 향해 더 넓은 머신 러닝 커뮤니티에서 융합 연구에 참여하도록 장려하는 것입니다."라고 그는 덧붙입니다.

출처 : https://www.sciencedaily.com/