Ші прискорив необхідні для роботи термоядерного реактора обчислення в 100 разів

16

Чим складніше наукова або інженерна задача, тим більшу роль в її вирішенні відіграє комп’ютерне моделювання. Це правило майже завжди підтверджується практикою, і сучасна фізика — не виняток. Працюючий термоядерний реактор, що видає хоча б стільки ж енергії, скільки було витрачено на його запуск і функціонування, — святий грааль для сучасних вчених. І підступитися до нього заважає неймовірно висока обчислювальна складність моделей, що описують поведінку плазми в такій установці.

А враховуючи вартість будь-яких стеллараторів і токамаків, при проведенні на них експериментів вкрай бажано уникнути помилок. І час дорого, і пошкоджень установок краще не допускати. Тому цінність моделей теж підвищується: вченим простіше і безпечніше спочатку перевіряти свої гіпотези в симуляціях. Виходить, одним з обмежуючих факторів при просуванні прогресу в області керованої термоядерної реакції служить ефективність моделей. І поки вона далека від ідеалу: для повномасштабних розрахунків використовують суперкомп’ютери, а наближені результати отримують в результаті сотень годин роботи звичайних пк.

Ситуацію спробував виправити докторант технічного університету ейндховена (нідерланди) аарон хо (aaron ho). Він працює в групі з вивчення термоядерних реакцій департаменту прикладної фізики. Як пише портал scitechdaily, хо нещодавно захистив докторську дисертацію, присвячену застосуванню штучного інтелекту для моделювання поведінки плазми в токамаках. Створений ним алгоритм вже включений в потужний набір програмних інструментів фізиків-ядерників під назвою jintrac.

Ідея молодого вченого полягає в заміні коду, що описує модель турбулентності зниженого порядку, на нейромережу. Він навчав ai на декількох наборах даних-вхідних, з реальних наукових установок, і результатах, отриманих від існуючого інструменту qualikiz, що передбачає рух плазми в токомаках за рахунок мікротурбулентностей. Оскільки це головний механізм перенесення в подібних пристроях, важливі точність і швидкість роботи моделі. Після навчання нейромережа інтегрували в qualikiz і перевірили на нових даних, порівнявши зі старим алгоритмом.

Вийшло більш ніж вражаюче. Звичайний qualikiz виконав завдання на 16 обчислювальних ядрах за 217 годин, а оснащений ші — на одному ядрі і за дві години. Тобто навіть без урахування різниці в кількості необхідних для роботи моделі процесорів прискорення вийшло більш ніж в сто разів. А якщо оцінювати загальну ресурсоємність, різниця виходить на порядок більше.

Але у методу, природно, є обмеження, адже нічого не буває безкоштовно. Точність нової моделі під час перевірки була нижчою: результати між «нейромережевим» і звичайним qualikiz розрізнялися приблизно на 10%. У цьому моменті є місце для поліпшень, але 100% точності зі штучним інтелектом досягти принципово неможливо. З іншого боку, сам по собі qualikiz застосовується для спрощеного моделювання, так як використовує наближені обчислення. Тому в описуваному випадку швидкість важливіше, а для більш точних обчислень є інші інструменти.