پیشرفت بزرگ در همجوشی هسته‌ای: هوش مصنوعی می‌تواند نتیجه آزمایش‌ها را پیش‌بینی کند
پیشرفت بزرگ در همجوشی هسته‌ای: هوش مصنوعی می‌تواند نتیجه آزمایش‌ها را پیش‌بینی کند
در آزمایشگاه ملی لارنس لیورمور، در ایالت کالیفرنیای آمریکا، یک مدل هوش مصنوعی جدید دریچه‌ای تازه به دنیای پرچالش همجوشی هسته‌ای گشوده است؛ ابزاری که می‌تواند مسیر آزمایش‌های پرهزینه و پیچیده‌ی انرژی پاک را با دقت و سرعتی بی‌سابقه آشکار سازد.
به‌گزارش آی‌اف‌ال‌ساینس، دانشمندان آزمایشگاه ملی لارنس لیورمور اعلام کرده‌اند که مدل تازه‌ی هوش مصنوعی آن‌ها، توانسته است با دقتی چشمگیر، نتیجه‌ی آزمایش همجوشی هسته‌ای انجام‌شده در سال ۲۰۲۲ را پیش‌بینی کند. این مدل احتمال بیش از ۷۰ درصد برای وقوع احتراق در آن آزمایش اختصاص داد که عددی فراتر از توان محاسباتی ابررایانه‌های موجود است. همچنین، ابزاری دقیق‌تر برای پیش‌بینی نتایج در حوزه‌ای فراهم کرد که با کمبود داده مواجه است.
انرژی هسته‌ای مورد استفاده امروز بشر از شکافت هسته‌ای به‌دست می‌آید. در این فرآیند، نوترون‌ها به اتم‌های سنگین برخورد می‌کنند و آن‌ها را به شکافتن وامی‌دارند. این واکنش، اتم‌های کوچک‌تر و نوترون‌های تازه‌ای تولید می‌کند که با اتم‌های دیگر اصابت و واکنش مشابهی را آغاز می‌کنند. در نهایت، زنجیره‌ای از واکنش‌ها شکل می‌گیرد که مقدار عظیمی انرژی آزاد می‌کند. پایداری این واکنش دشوار است و به همین دلیل، بیشتر با ایزوتوپ‌های خاصی از اورانیوم-۲۳۵ یا پلوتونیوم-۲۳۹ انجام می‌شود.
انرژی آزادشده از شکافت در نیروگاه‌ها برای گرم‌کردن آب و تولید بخار به کار می‌رود. بخار حاصل، توربین‌ها را به حرکت درمی‌آورد و برق بدون کربن تولید می‌کند. بااین‌حال، شکافت معایب عمده‌ای دارد و مهم‌ترین آن، تولید پسماندهای هسته‌ای خطرناک و بادوام است که از نظر زیست‌محیطی مشکل‌ساز هستند.
همجوشی هسته‌ای چشم‌انداز تولید انرژی پاک‌تر و ایمن‌تر را ترسیم می‌کند
در نقطه مقابل، همجوشی هسته‌ای چشم‌انداز تولید انرژی پاک‌تر و ایمن‌تر را ترسیم می‌کند. این فرآیند زمانی رخ می‌دهد که دو اتم سبک، مانند هیدروژن، با هم ترکیب شوند و اتمی سنگین‌تر مثل هلیوم تشکیل دهند. همجوشی انرژی بسیار بیشتری آزاد می‌کند و محصولات جانبی اندکی دارد؛ ویژگی‌هایی که آن را به گزینه‌ای مطلوب برای آینده انرژی تبدیل کرده است. با‌این‌وجود، فناوری لازم برای ایجاد و حفظ شرایط پایدار همجوشی هنوز در دسترس نیست، هرچند دستاوردهای مهمی تاکنون به دست آمده است.
تأسیسات احتراق ملی (NIF) در لیورمور که پرانرژی‌ترین سامانه لیزری جهان را در اختیار دارد، مرکزی کلیدی برای آزمایش‌های همجوشی است. در یکی از پروژه‌ها با نام «همجوشی محصورسازی لختی» گلوله‌های حاوی دوتریوم و تریتیوم، ایزوتوپ‌های هیدروژن، درون استوانه‌ای به نام هولورام قرار داده می‌شوند. لیزرها این استوانه را گرم می‌کنند و پرتوهای ایکس پرقدرتی آزاد می‌شود که گلوله‌ها را به‌سرعت فشرده می‌کند. در اوج فشردگی، حجم کپسول تا ده هزار برابر کاهش می‌یابد و دما و انرژی فوق‌العاده‌ای تولید می‌شود.
اگر همه‌چیز در فرآیند طبق برنامه پیش برود، همجوشی آغاز می‌شود و انرژی حاصل از آن حتی از مقدار انرژی ورودی هم بیشتر خواهد بود.
بیشتر بخوانید
شبیه‌سازی‌های رایانه‌ای کنونی، توان پیش‌بینی دقیق همه‌ی مراحل فرآیند را ندارند. محدودیت‌های کدنویسی و خطاهای محاسباتی باعث می‌شود خروجی این مدل‌ها بیشتر شبیه نقشه‌ای ناقص باشد. حتی اجرای کامل شبیه‌سازی‌ها نیز چندین روز زمان می‌برد و باز هم تصویری دقیق از روند ارائه نمی‌دهد.
در عمل، پژوهشگران نمی‌دانند خطاهایی که پیش می‌آید از طراحی آزمایش ناشی می‌شود یا ناشی از محدودیت مدل‌ها است. با‌این‌وجود، ناچارند براساس همین داده‌های ناقص تصمیم بگیرند که هزینه‌های سنگینی دارد، زیرا هر تلاش برای احتراق بسیار پرهزینه است.
تیم دانشمندان برای حل مشکل، رویکرد تازه‌ای طراحی کردند. آن‌ها داده‌های پیشین را با شبیه‌سازی‌های دقیق فیزیکی و دانش متخصصان ترکیب و این مجموعه را وارد یک ابررایانه کردند. ابررایانه بیش از ۳۰ میلیون ساعت پردازش را صرف اجرای تحلیل‌های آماری کرد. این روش به پژوهشگران امکان می‌دهد مسیرهای بالقوه‌ی خطا را شناسایی و طراحی آزمایش‌ها را پیشاپیش اصلاح کنند. نتیجه‌ی این رویکرد، صرفه‌جویی چشمگیر در زمان و کاهش هزینه‌ها است.
مدل تازه روی آزمایشی که در سال ۲۰۲۲ اجرا شده بود، محک خورد و پس از اصلاحات جزئی در بخش‌های فیزیکی، توانست نتیجه‌ی آزمایش آن سال را با دقتی بالاتر از ۷۰ درصد پیش‌بینی کند.
تلاش برای دستیابی به همجوشی هسته‌ای دهه‌هاست که ادامه دارد. اگرچه دستاورد تازه‌ی دانشمندان به معنای تحقق کامل همجوشی نیست، روشی نوین برای کاهش هزینه‌ها و افزایش بهره‌وری آزمایش‌ها ارائه می‌دهد.
مطالعه در نشریه ساینس منتشر شده است.
منبع : زومیت
