Искусственный интеллект помогает ускорить продвижение к эффективным реакциям синтеза.

На данный момент исследователи из Принстонской лаборатории физики плазмы (PPPL) Министерства энергетики США (DOE) и Принстонского университета используют ИИ для улучшения предсказательных возможностей.

Исследователи под управлением Уильяма Танга, физика PPPL и учителя в ранге и звании профессор Принстонского университета, разрабатывают код для предсказаний для ИТЭР, интернационального опыта, строящегося во Франции, чтобы продемонстрировать практичность термоядерной энергии.Форма «глубокого обучения»

Новое ПО для прогнозирования, именуемое кодом Fusion Recurrent Neural Network (FRNN), есть формой «глубокого обучения» — более новую и более превосходную версию современного ПО для машинного обучения, приложение ИИ. «Глубокое обучение представляет собой захватывающий новый путь к предсказанию сбоев», — сказал Тан. «Эта возможность на данный момент может обрабатывать многомерные эти».FRNN — это архитектура с глубоким обучением, которая зарекомендовала себя как лучший способ анализа последовательных данных с применением шаблонов дальнего действия. Члены группы машинного обучения PPPL и Принстонского университета первыми начали систематически применять подход глубокого обучения к проблеме прогнозирования сбоев в термоядерной плазме токамаков.

Главный архитектор FRNN — Джулиан Кейтс-Харбек, аспирант Гарвардского университета и аспирант Департамента науки о вычислительных науках Министерства энергетики США. Опираясь на опыт, полученный при получении степени магистра компьютерных наук в Стэнфордском университете, он руководил созданием ПО FRNN.

Более верные прогнозыИспользуя этот подход, команда продемонстрировала свойство предсказывать разрушительные события более совсем правильно, чем это делали прошлые методы. Используя огромную базу данных на объекте Joint European Torus (JET), расположенном в Соединенном Королевстве — самом огромном и самом превосходном действующем токамаке — исследователи значительно улучшили прогнозы сбоев и сократили количество фальшивых срабатываний. . EUROfusion, Европейский консорциум по формированию термоядерной энергии, руководит изучениями JET.

на данный момент команда нацелена на достижение сложных целей, каковые потребуются ИТЭР. Ко мне входит создание 95% верных прогнозов при происхождении сбоев и предоставление менее 3% фальшивых срабатываний при отсутствии сбоев. «На изученных наборах тестовых данных FRNN улучшила кривую для прогнозирования настоящих прекрасных результатов при одновременном понижении количества фальшивых срабатываний», — сказал Элиот Фейбуш, ученый-вычислитель из PPPL, имея в виду так именуемую кривую «Рабочих линия приемника», которая как правило употребляется. для измерения точности машинного обучения. «Мы трудимся над увеличением количества обучающих данных, чтобы трудиться существенно лучше».Очень требовательныйПроцесс очень сложный. «Обучение глубоких нейронных сетей — задача с огромным числом вычислений, требующая применения высокопроизводительного вычислительного оборудования», — сказал Алексей Святковский, исследователь огромных данных Принстонского университета. «Вот почему большая часть того, что мы делаем, — это разработка и распространение новых способов на многих процессорах для достижения высокоэффективных параллельных вычислений.

Такие вычисления дадут совладать с растущим размером проблем, извлеченных из соответствующей базы данных от JET и других токамаков. «Код глубокого обучения трудится на графических процессорах (GPU), каковые смогут одновременно вычислять тысячи копий программы, что намного больше, чем у ветхих центральных процессоров (CPU). Опробования, совершённые на современных кластерах графических процессоров и на машинах мирового класса, таких как Titan, сейчас самый стремительный и самый превосходный суперкомпьютер США в Oak Ridge Leadership Computing Facility, пользовательском центре Управления науки Министерства энергетики в Ок-Риджской национальной лаборатории, продемонстрировали хорошую линейность масштабирование.

Такое масштабирование сокращает время выполнения вычислений прямо пропорционально количеству используемых графических процессоров, что имеется главным требованием для действенной параллельной обработки.Кластер Принстонского тиграКластер современных графических процессоров Tiger Принстонского университета первенствовал , кто совершил тесты глубокого обучения с применением FRNN, чтобы продемонстрировать улучшенную свойство прогнозировать сбои в объединении.

С того времени код трудится на Titan и других ведущих кластерах графических процессоров суперкомпьютеров В США, Азии и Европе и демонстрирует хорошее масштабирование с числом задействованных графических процессоров.В будущем исследователи стремятся продемонстрировать, что это превосходное ПО для прогнозирования может трудиться на токамаках в мире и, в конечном итоге, на ИТЭР.

Также запланировано повышение скорости анализа сбоев для возрастающих размеров проблем, каковые связаны с огромными наборами данных до наступления сбойного события. Помощь этого проекта в основном поступила из фондов лабораторных исследований и разработок, предоставленных PPPL.

https://nvp-techno.ru/

7 комментариев к “Искусственный интеллект помогает ускорить продвижение к эффективным реакциям синтеза.”

Оставьте комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *