Сегодня, исследователи в Princeton Plasma Physics Laboratory (PPPL) американского Министерства энергетики (DOE) и Принстонском университете используют искусственный интеллект, чтобы улучшить прогнозирующую способность. Исследователи во главе с Уильямом Таном, физиком PPPL и лектором с разрядом и должностью преподавателя в Принстонском университете, разрабатывают кодекс для предсказаний для ПРОХОДА, международный эксперимент в процессе строительства во Франции, чтобы продемонстрировать практичность энергии сплава.Форма «глубокого изучения»Новое прогнозирующее программное обеспечение, названное кодексом Fusion Recurrent Neural Network (FRNN), является формой «глубокого изучения» – более новая и более сильная версия современного программного обеспечения машинного обучения, применение искусственного интеллекта. «Глубокое изучение представляет захватывающую новую авеню к предсказанию разрушений», сказал Тан. «Эта способность может теперь обработать многомерные данные».
FRNN – глубоко учащаяся архитектура, которая, оказалось, была лучшим способом проанализировать последовательные данные с образцами дальнего действия. Члены PPPL и команды машинного обучения Принстонского университета первые, чтобы систематически применить глубокий подход изучения к проблеме прогнозирования разрушения в сплаве токамака plasmas.
Главный архитектор FRNN – Джулиан Кэйтс-Харбек, аспирант в Гарвардском университете и Офисе САМКИ Науки Вычислительный Научный Товарищ Выпускника. Догоняние экспертных знаний извлекло пользу, зарабатывая степень магистра в области информатики в Стэнфордском университете, он привел создание программного обеспечения FRNN.Более точные предсказания
Используя этот подход, команда продемонстрировала способность предсказать подрывные события более точно, чем предыдущие методы сделали. Таща из огромной базы данных на предприятии Joint European Torus (JET), расположенном в Соединенном Королевстве – самом большом и самом сильном токамаке в операции – исследователи значительно улучшили предсказания разрушений и сократили количество ложных положительных тревог. EUROfusion, европейский Консорциум для развития энергии Сплава, справляется с РЕАКТИВНЫМ исследованием.
Команда теперь стремится достигать сложных целей, которых потребует ПРОХОД. Они включают производство 95-процентные правильные предсказания, когда разрушения происходят, обеспечивая меньше чем 3-процентные ложные тревоги, когда нет никаких разрушений. «На исследованных наборах данных испытаний FRNN улучшил кривую для предсказания истинных положительных сторон, уменьшая ложные положительные стороны», сказал Элиот Фейбуш, вычислительный ученый из PPPL, обратившись к тому, что называют «кривой» Рабочих характеристик Приемника, которая обычно используется, чтобы измерить точность машинного обучения. «Мы работаем над введением большего количества данных тренировки, чтобы сделать еще лучше».
Очень требовательныйПроцесс очень требователен. «Учебные глубокие нейронные сети – в вычислительном отношении интенсивная задача, которая требует участия высокоэффективных вычислительных аппаратных средств», сказал Алексей Святковский, Принстонский университет крупный исследователь данных. «Именно поэтому значительная часть того, что мы делаем, разрабатывает и распределяет новые алгоритмы через многие процессоры, чтобы достигнуть очень эффективного параллельного вычисления. Такое вычисление будет обращаться с увеличивающимся размером проблем, оттянутых из базы данных, важной для разрушения, от САМОЛЕТА и других токамаков».Глубокий кодекс изучения работает на графических единицах обработки (GPUs), который может вычислить тысячи копий программы сразу, намного больше, чем более старые центральные процессоры (центральные процессоры).
Тесты, выполненные на современных группах GPU, и на машинах мирового класса, таких как Титан, в настоящее время самый быстрый и самый мощный американский суперкомпьютер на Средстве для Вычисления Лидерства Ок-Риджа, Офисе САМКИ Научного Пользовательского Средства на Окриджской национальной лаборатории, продемонстрировали превосходное линейное вычисление. Такое вычисление уменьшает вычислительное время пробега в прямой пропорции к количеству используемого GPUs – главное требование для эффективной параллельной обработки.Группа Принстона Тигра
Группа Принстонского университета Тигра современного GPUs была первой, чтобы провести глубоко изучение тестов, используя FRNN, чтобы продемонстрировать улучшенную способность предсказать разрушения сплава. Кодекс с тех пор работал на Титане и другом продвижении, супервычисляя группы GPU в Соединенных Штатах, Европе и Азии, и продолжил показывать превосходное вычисление с количеством занятого GPUs.
В дальнейшем исследователи стремятся продемонстрировать, что это сильное прогнозирующее программное обеспечение может работать на токамаках во всем мире и в конечном счете на ПРОХОДЕ. Также запланированный повышение скорости анализа разрушения для увеличивающихся проблемных размеров, связанных с более крупными наборами данных до начала подрывного события.
Поддержка этого проекта, прежде всего, пришла до настоящего времени от Лабораторного Целенаправленного исследования и Фондов развития, обеспеченных PPPL.