Un grupo de investigación ha enseñado a la IA a manejar magnéticamente una corriente de plasma de alta potencia utilizada para la investigación de fusión, ¡pero espera! Guarde sus EMP y destornilladores, esto definitivamente es algo bueno, no un arma aterradora para usar contra la humanidad en el robocalipsis que se avecina.
El proyecto es una colaboración entre DeepMind de Google y l’École Polytechnique Fédérale de Lausanne (EPFL) que comenzó hace años cuando los investigadores de IA del primero y los investigadores de fusión del segundo se reunieron en un hackathon en Londres. Federico Felici de EPFL explicó el problema que su laboratorio estaba teniendo con el mantenimiento de plasma en su tokamak.
¡Qué queja tan cotidiana! Sin embargo, tocó la fibra sensible de DeepMind y los dos se pusieron a trabajar.
La investigación de fusión se lleva a cabo de muchas maneras, pero todas involucran plasmas formados a temperaturas increíblemente altas: cientos de millones de grados. Suena peligroso, y lo es, pero un tokamak es una forma de mantenerlo bajo control y permitir una observación cercana de la actividad de fusión que ocurre en su interior. Es básicamente un toro o rosquilla a través del cual el plasma sobrecalentado viaja en un círculo, su camino cuidadosamente restringido por campos magnéticos.
Para ser claros, este no es un reactor de fusión del tipo del que escuchas que proporciona energía limpia casi ilimitada; no produce energía, y si de repente comenzara, no querrías estar cerca. Es una herramienta de investigación para probar y observar cómo estos procesos volátiles pero prometedores pueden controlarse y utilizarse para el bien.
En particular, el tokamak de “configuración variable” en el Swiss Plasma Center permite no solo la contención de un anillo de plasma, sino también que los investigadores controlen su forma y trayectoria. Ajustando los parámetros magnéticos miles de veces por segundo, el anillo puede hacerse más ancho, más delgado, más denso o difuso, todo tipo de factores que pueden afectar sus cualidades.
Créditos de imagen: DeepMind y SPC/EPFL
Los ajustes precisos para los campos magnéticos de la máquina deben determinarse con anticipación, naturalmente, ya que el costo de improvisarlos mal es un daño potencialmente grave. Los ajustes se configuran mediante un potente simulador de tokamak y plasma, que el equipo ha estado actualizando durante años. Pero como explicó Felici en un comunicado de prensa de la EPFL: “Todavía se necesitan largos cálculos para determinar el valor correcto para cada variable en el sistema de control. Ahí es donde entra en juego nuestro proyecto de investigación conjunto con DeepMind”.
Los equipos entrenaron un sistema de aprendizaje automático primero para predecir qué patrón de plasma produciría un conjunto determinado de configuraciones, luego para trabajar hacia atrás desde un patrón de plasma deseado e identificar las configuraciones que lo producirían. (En pocas palabras, no tan simple logrado, como suele ser el caso con aplicaciones de IA como esta).
Según un papel publicado hoy en la revista Natureel acercamiento fue un éxito rotundo:
Esta arquitectura cumple con los objetivos de control especificados a un alto nivel, al mismo tiempo que satisface las restricciones físicas y operativas. Este enfoque tiene una flexibilidad y generalidad sin precedentes en la especificación de problemas y produce una reducción notable en el esfuerzo de diseño para producir nuevas configuraciones de plasma. Producimos y controlamos con éxito un conjunto diverso de configuraciones de plasma en Tokamak à Configuration Variable, incluidas formas alargadas y convencionales, así como configuraciones avanzadas, como triangularidad negativa y configuraciones de “copo de nieve”.
Y aquí hay algunos ejemplos de diferentes formas y configuraciones que el modelo pudo producir:
Rebanada de la “dona” de tokamak que muestra una vista en corte del interior y la viga. Créditos de imagen: DeepMind y SPC/EPFL
Este es un trabajo importante porque experimentar con plasma como este, y mucho menos usarlo para obtener energía, implica muchos (piense en millones) de pequeños ajustes y no todos pueden configurarse manualmente. Si una teoría exige dos flujos, uno un 22 % más grande que el otro, podría tomar semanas o meses de trabajo llegar a los escenarios teóricos para producir eso utilizando métodos “tradicionales” (que, para ser claros, ya son fantásticamente complejos). simulaciones digitales). Pero una IA podría encontrar una buena combinación en una pequeña fracción de ese tiempo, ya sea creando la solución allí mismo o brindando a los auditores humanos un sólido punto de partida para trabajar.
También podría ser importante para la seguridad, ya que ningún ser humano puede improvisar configuraciones durante un segundo o dos que podrían contener una anomalía en el tiempo. Pero una IA podría cambiar la configuración en tiempo real para evitar daños.
El investigador de DeepMind, Martin Riedmiller, admitió que son “los primeros días”, pero, por supuesto, eso se puede decir de casi todas las aplicaciones de IA en la ciencia. El aprendizaje automático está demostrando ser una herramienta poderosa y versátil para innumerables disciplinas, pero como buenos científicos, están tomando cada éxito con un grano de sal y esperan el próximo resultado más confiable.
Source link