Le tecniche di intelligenza artificiale, supportando lo studio delle strutture turbolente che si formano all’interno dei reattori a fusione nucleare - responsabili di impatti negativi sull'energia generata - segnano un altro passaggio verso la produzione mondiale di energia pulita.

L’adozione di tecniche di intelligenza artificiale nell’ambito della fusione nucleare e, più precisamente, per applicazioni che vedono al centro i reattori, rimanda, in particolare, all’identificazione e al tracciamento dei fenomeni di instabilità che si manifestano durante la fusione. Fenomeni attribuiti a quelle che vengono definite “turbolenze nel plasma”, nel momento in cui questo raggiunge temperature molto elevate all’interno dei reattori a fusione.

Proprio l’analisi e il monitoraggio di tali turbolenze sono state al centro della ricerca sulla fusione nucleare negli ultimi quindici anni, ma mancano ancora di una comprensione completa, specie per quanto riguarda una tipologia di reattori a fusione come i Tokamak, ritenuti il futuro dell’energia nucleare.

Sappiamo che l’energia ottenuta dalle reazioni di fusione, emulando il processo che avviene nel nucleo delle stelle, rappresenta, a livello globale, una carta importante nella produzione di energia pulita, il cui potenziale è a supporto della riduzione degli effetti negativi del cambiamento climatico.

Per questo motivo, studiare il comportamento delle “strutture turbolente”, ree di un impatto negativo sull’energia generata durante la fusione, costituisce, oggi, l’ennesima urgenza in tema di sostenibilità ambientale.

Un team di studio multidisciplinare – composto da ricercatori del Computer Science & Artificial Intelligence Laboratory (CSAIL) in seno al Massachusetts Institute of Technology (MIT), del Plasma Science and Fusion Center e del Civil and Environmental Engineering dello stesso Ateneo USA, insieme all’École Polytechnique Fédérale di Losanna Lausanne (EPFL) – nel paper “Tracking blobs in the turbulent edge plasma of a tokamak fusion device” propone un approccio che, anziché sulle tradizionali tecniche di calcolo della media e sui tracciamenti manuali, si fonda su un sistema di machine learning atto a tracciare la formazione e i movimenti di queste strutture turbolente, rilevate attraverso dati video analizzati da sistemi di visione artificiale. Vediamo insieme in che modo.

Intelligenza artificiale e fusione nucleare: il ruolo delle tecniche di computer vision nell’identificazione delle turbolenze

In tema di intelligenza artificiale e fusione nucleare, come prima cosa il gruppo di ricerca ha creato un set di dati video sintetici contenente esempi di turbolenze nel plasma, a sua volta impiegato per allenare quattro modelli di computer vision a identificarle, stimandone dimensioni e velocità di movimento.

Quindi, i quattro modelli sono stati messi alla prova mediante test basati sulla somministrazione di una serie di videoclip sintetici e reali, ottenuti – questi ultimi – attingendo ai dati relativi ai plasmi del reattore nucleare Tokamak à Configuration Variable, situato, per soli scopi di ricerca, presso l’École Polytechnique Fédérale di Losanna.

Più nel dettaglio, i quattro modelli di visione artificiale poggiano su quattro diverse tecniche di rilevazione: RAFT, Mask R-CNN, GMA e Flow Walk.

Nel primo caso, l’identificazione della turbolenza si focalizza sulle trasformazioni di campo, sulla base delle quali la rete neurale «calcola il flusso ottico estraendo le caratteristiche dei pixel dell’immagine e costruendo volumi di correlazione 4D multiscala».

Immagine che illustra, a destra, un esempio di tracciamento delle turbolenze nei reattori nucleari a fusione (Blob) basato su dati sperimentali, in cui - a partire dagli input dati dal fotogramma a sinistra - il sistema di visione artificiale basato sul metodo RAFT prevede i flussi ottici per ciascun pixel (al centro). (Fonte: “Tracking blobs in the turbulent edge plasma of a tokamak fusion device” - https://www.nature.com/articles/s41598-022-21671-w).
A destra, un esempio di tracciamento delle turbolenze nei reattori nucleari a fusione (Blob) basato su dati sperimentali, in cui – a partire dagli input dati dal fotogramma a sinistra – il sistema di visione artificiale basato sul metodo RAFT prevede i flussi ottici per ciascun pixel (al centro). (Fonte: “Tracking blobs in the turbulent edge plasma of a tokamak fusion device” – https://www.nature.com/articles/s41598-022-21671-w).

Attraverso il metodo Mask R-CNN, invece, una rete neurale convoluzionale (o Convolutional Neural Network – CNN)calcola l’area della turbolenza per mezzo di “maschere” segmentate dei dati video.

Il terzo metodo prevede l’implementazione del Global Movement Aggregation (GMA), tecnica attraverso la quale la rete neurale «stima i movimenti nascosti nel plasma, captando le dipendenze tra i singoli pixel dell’immagine ed eseguendo “l’aggregazione globale” delle funzioni di movimento corrispondenti».

Mediante il metodo Flow Walk, infine, la rete neurale «rileva le turbolenze nel plasma a partire dall’analisi delle “traiettorie” dei pixel, calcolando la matrice di transizione tra i fotogrammi, in un modo che va dal “grossolano” al fine» spiegano gli autori dello studio.

Ebbene, i test ai quali sono stati sottoposti i quattro metodi hanno dato esito positivo, attestando che i modelli di computer vision sviluppati dal team sono stati in grado di identificare le strutture turbolente con puntualità e precisione elevate in oltre l’80% dei casi, riuscendo anche a calcolarne le dimensioni e la velocità con cui si sono mosse.

Tecniche di machine learning per il campionamento automatico dei dati video

In tema di tecniche di intelligenza artificiale e fusione nucleare, i ricercatori del Massachusetts Institute of Technology, nello spiegare come le turbolenze nel plasma siano simili a filamenti che, dal plasma stesso, cadono lungo le pareti del reattore a fusione, sottolineano come queste si riflettano negativamente sul modo in cui «l’energia da fusione scorre tra il plasma e il reattore».

E il fatto di non conoscere quante siano, come si muovono e come si comportano le turbolenze – rimarca il team – pone un limite allo studio delle prestazioni delle future centrali elettriche basate su fusione termonucleare.

Questo lavoro vuole essere un tassello all’interno dell’ampia attività di ricerca in materia, dando un contributo fattivo all’identificazione del fenomeno delle turbolenze all’interno dei reattori a fusione e al loro tracciamento.

L’attività di acquisizione di dati video durante gli esperimenti (come in questo caso) può durare anche mesi, arrivando a raccogliere ogni giorno circa 60 milioni di fotogrammi, con migliaia di turbolenze al secondo.

La potenza di calcolo delle tecniche di apprendimento automatico entra in scena con un ruolo ben preciso, ossia per tenere traccia – quantificandole – delle turbolenze individuate dal sistema di visione artificiale all’interno dei milioni di fotogrammi video acquisiti durante un solo esperimento di fusione presso il Tokamak à Configuration Variable di Losanna.

Più nello specifico – osserva il team – il sistema di machine learning sviluppato interviene monitorando automaticamente, turbolenza per turbolenza, ogni fotogramma, consentendo agli scienziati di entrare in possesso di una serie di conoscenze – prima difficili e macchinose da ricavare – circa quanto accade in tempo reale tra il plasma e le pareti del reattore a fusione nucleare.

Intelligenza artificiale e fusione nucleare: gli obiettivi futuri

Questo studio in tema di tecniche di intelligenza artificiale e fusione nucleare intende – negli obiettivi dei suoi autori – fornire uno spunto alla comunità scientifica impegnata nella ricerca sul tema della fusione, sollecitando, al tempo stesso, una maggiore partecipazione anche da parte di chi si occupa dello sviluppo di algoritmi AI.

A tal fine, i ricercatori rendono disponibili il set di dati sintetici per l’addestramento dei modelli, oltre a un set di dati reali per il confronto delle prestazioni.

In particolare, la scelta di optare per la messa a punto di dataset sintetici ha permesso al team di etichettare in maniera più puntuale ogni perturbazione rilevata dal sistema di visione artificiale e di «allenare i modelli insegnando loro a imitare da vicino ciò che uno scienziato farebbe manualmente».

Tra gli obiettivi futuri del gruppo di studio, l’impiego dei dati sintetici, delle tecniche di computer vision e di machine learning anche ad altri problemi nella ricerca sulla fusione nucleare, tra cui – ad esempio – «la stima del trasporto di particelle al confine di un plasma».

Scritto da:

Paola Cozzi

Caporedattrice Leggi articoli Guarda il profilo Linkedin