تلاش بشریت برای منابع انرژی پاک و پایدار به لحظه ای مهمی رسیده است چرا که محققان در حال بررسی گداخت هسته ای هستند.
به گزارش تکناک، برخلاف نیروگاه‌های شکافت هسته‌ای کنونی که انرژی را به قیمت زباله‌های رادیواکتیو تولید می‌کنند، همجوشی هسته‌ای نوید تولید برق تقریباً بی‌حد و دوست‌دار محیط‌زیست را ارائه می‌دهد.
همجوشی هسته ای، پدیده ای که خورشید و سایر ستارگان را نیرو می دهد، شامل همجوشی ایزوتوپ های هیدروژن در شرایط سخت است. نتیجه ایجاد هلیوم با آزاد شدن انرژی به دلیل تفاوت جرم بین عناصر اولیه و جدید است.
با این حال، تحقق این رویای بهره برداری از انرژی همجوشی در زمین مستلزم کنترل دقیق بر انتخاب ایزوتوپ های هیدروژن مورد استفاده در این فرآیند است.
مواجه شدن یادگیری ماشین با طیف سنجی
یک بیانیه مطبوعاتی اخیر نشان داد که محققان اکنون به قلمرو هوش مصنوعی روی آورده اند تا درک ما از همجوشی هسته ای و پتانسیل آن به عنوان یک منبع انرژی پاک را افزایش دهند.
یک پیش نیاز برای همجوشی هسته ای این است که بدانیم از چه ترکیبی از ایزوتوپ های هیدروژن استفاده کنیم. تجزیه و تحلیلی زمان بر که در حال حاضر با طیف سنجی انجام می شود.
محمد کوبیتی، دانشیار دانشگاه Aix-Marseille در فرانسه، در مقاله‌ای منتشر شده در مجله فیزیک اروپایی D، رویکرد جدیدی ارائه کرد که یادگیری ماشین را با طیف‌سنجی پلاسما ترکیب می‌کند تا نسبت بهینه ایزوتوپ‌های هیدروژن برای عملکرد پلاسمای همجوشی هسته‌ای را تعیین کند.
کوبیتی بر چالش مدیریت ترکیب ایزوتوپ های هیدروژن، به ویژه دوتریوم و تریتیوم، در نیروگاه های همجوشی تمرکز دارد.
دوتریوم و تریتیوم ایزوتوپ های ترجیحی برای همجوشی به دلیل کارایی آنها هستند، اما محدودیت های نظارتی دقیق بر مقدار تریتیومی که می توان به دلیل نگرانی های ایمنی استفاده کرد، وجود دارد. کوبیتی قصد دارد این چالش را با معرفی یادگیری ماشین رفع کند.
کوبیتی توضیح داد: هدف نهایی اجتناب از استفاده طیف‌سنجی است که تجزیه و تحلیل آن زمان‌بر است. جایگزینی طیف سنجی یا حداقل ترکیب آن با یادگیری عمیق برای پیش‌بینی محتوای تریتیوم در پلاسماهای همجوشی توسط نویسندگان این مطالعه پیشنهاد میشود.
اگرچه این مطالعه تنها اولین گام به سوی این هدف را نشان می‌دهد، کوبیتی نشان داد که او همچنان به استفاده از طیف‌سنجی برای شناسایی ویژگی‌هایی که می‌توانند توسط الگوریتم‌های یادگیری عمیق برای پیش‌بینی محتوای تریتیوم به عنوان تابعی از زمان در پلاسماهای همجوشی به کار گرفته شوند، ادامه می‌دهد.
آینده ای روشن برای گداخت هسته ای
ادغام یادگیری ماشینی در تحقیقات گداخت هسته ای فرصت های هیجان انگیزی را به وجود می آورد. فراتر از کاربرد فوری در پیش‌بینی محتوای تریتیوم، کوبیتی در نظر دارد تا تکنیک‌های یادگیری عمیق را به دستگاه‌های همجوشی مغناطیسی مختلف، از جمله توکامک‌هایی مانند JET، ASDEX-Upgrade، WEST، DIII-D و حتی ستاره‌ها بسط دهد.
توکامک‌ها، دستگاه‌هایی که از میدان‌های مغناطیسی قدرتمند برای محدود کردن پلاسمای داغ به شکل یک دونات استفاده می‌کنند، برای تولید نیروی همجوشی تمیز تبلیغ می‌شوند.
چشم انداز کوبیتی عزم را برای شناسایی ویژگی های غیر طیف سنجی نشان می دهد که برای الگوریتم های یادگیری عمیق برای دستیابی به پیش بینی های دقیق ضروری است. این رویکرد می تواند پتانسیل تغییر درک ما از همجوشی هسته ای و سرعت بخشیدن به انتقال آن از یک مفهوم نظری به واقعیت را داشته باشد.
جهان با نیاز فوری به کاهش انتشار کربن و مبارزه با تغییرات آب و هوایی دست و پنجه نرم می کند، وضعیتی که در آن علم هسته ای نشان دهنده چراغ امید است. در حالی که چالش هایی باقی مانده است، کار پیشگام کوبیتی نشان می دهد که نوآوری و فناوری نقشی اساسی در شکل دادن به آینده ای پاک تر و پایدارتر ایفا خواهند کرد.
